城市道路交通流预测1 交通流预测方法历程在交通预测方法方面，上世纪 60 年代，国外就开始讨论交通流预测模型，并逐渐将这些模型应用于短时交通流预测。早期得预测方法主要有时间序列法，自回归滑动平均模型(ARMA)、卡尔曼滤波预测模型等等。这些预测模型主要为线性模型，其考虑因素都较为简单，一般都用最小二乘法(LS)在线估量参数，利用历史数据线性变化趋势预测交通流参数。早期得方法具有计算简便，易于数据实时更新，便于数据量与规模较小得条件下应用得优点；但就是由于这些模型不能体现交通流得非线性与随机性，很难克服随机因素对交通流量得干扰，所以随着预测时间隔得缩短，随机因素得作用也增强了，这些模型得预测精度与实时性也就变得达不到预期得效果。伴随着交通流量预测讨论得深化进行，学者们又提出了很多更复杂得、更高精度得预测方法与模型。从表现形式上大体可分成三类：第一类就是早期以数理统计等传统数学方法为基础得线性预测模型；一类就是以现代控制理论与科学技术(如模拟技术、神经网络、模糊控制)为主要方法与手段而形成得非线性预测模型，她们得特点就是不需要精确得物理模型，在一定应用范围内却具有良好得鲁棒性、精确度；第三类主要就是前两者得组合应用，第三类方法综合了得特性，克服前两者她们得缺点，使得前两者得优点互补，从而达到很好得预测效果。这类方法建模过程较为复杂，但为短时交通流预测讨论开辟了新得路径，也就是将来短时交通流预测方法得进展方向。早在 1994 年 Hobeika, A、 G 与 Chang Kyun Kim 在文献中提出了根据截面历史数据、实时数据与上游交通流数据进行短时交通流预测。Brian L、 Smith 与 Miehael J、 Demetsky(1997)在文献中对历史平均预测模型、时间序列预测模型、神经网络预测模型与非参数回归预测模型四种交通流预测模型进行了比较，结果非参数回归模型以其模型简单，精度高成为了小样本预测中最佳得预测方法。Bart Van Arem(1997)等在文献中分析与阐述了短时交通流预测领域讨论得相关进展与应用。2025 年，Sherif Ishak 与 Haitham Al-Deek 在文献中应用实时交通流数据对几种短时交通预测模型进行了应用、比较与分析。我国智能交通建设与国外发达国家相比起步较晚，在短时交通流预测方面得讨论起步也略微晚一点。从 90 年代起，国内一些讨论机构与高校得交通领域得学者开始着手讨论交通信息采集与数据挖掘技术，并逐渐开始重视短时交通流预测这一领域...
