随着智能交通系统的发展,城市道路交通监控设备全面普及,车载和基于移动终端的导航定位系统基本全覆盖,这些为实时交通数据的采集提供了巨大的便利。基于实时数据进行准确的短时车速预测,对于实施交通控制诱导协同战略,缓解路网时空资源分配不均衡性具有重要意义。经过多年的发展,短时车速预测方法取得较大的进展,但也存在一些问题,包括训练集时空维度选取缺少依据、预测模型对不同的交通状态适应性差以及多步预测的误差累积严重等。为解决上述问题,本文提出了动态的时空维度选择方法、自适应的构建相似状态训练集以及多步预测的误差校正等新的预测思路,主要研究内容如下:(1)根据两类平均速度的获取方式,本文提出了一套信息匹配、数据筛除和数据修复的处理方法。基于处理后的时间序列,本文对快速路车速的时空分布特性进行分析。结果显示在空间维度上,相邻的路段速度变化存在一定的相似性;在时间维度上,上下游的交通状态具有时间的滞后性。(2)根据快速路车速的时空分布特性,本文提出了训练集时空维度的动态选择方法。依据目标路段本身所处的道路环境与交通状态,为目标路段确定自适应的训练集矩阵维度。等效距离用于对空间邻域进行选择,互相关系数用于确定周围路段时间窗口的滞后阶数,ARMA模型建模中的AIC信息准则用于确定目标路段时间窗口的滞后阶数,从而实现目标路段的时空矩阵自适应搭建。(3)本文建立了考虑相似交通状态的短时车速预测模型。模型分成三部分,分别为基于高斯加权距离的相似交通特征的提取方法、基于PSO-SVM-GARCH的短时车速单步预测方法以及考虑历史同期数据校正的车速多步预测模型。相似交通特征提取的目的是为预测模型确定合适的训练集。PSO算法和GARCH模型用于提高SVM单步预测的效率和精度。针对多步预测中误差累积的情形,研究采用历史同期数据的概率分布对多步预测结果进行调控。(4)为进一步验证模型有效性,本文采用长春市西部快速路和美国西雅图167号公路的实测数据对模型进行验证。通过不同组合方式和不同预测算法的比较,结果显示本文所提出的时空动态选择模型具有更好的预测效果。同时,在历史同期数据的校正下,多步预测的累积误差也得到了显著控制。