随着城市交通拥堵及其伴生的环境污染与安全等交通问题日益突出,作为解决交通拥堵问题重要途径的智能交通系统(Intelligent Transportation Systems,ITS)的相关研究越加得到关注。而交通流预测是智能交通管理系统的核心部分,也是能够实现智能交通控制和诱导的基础。准确的交通预测信息对于指导人们选择行路径,节约出行的时间,舒缓道路的拥堵,减少车辆尾气污染、实现能源节约等有重大意义。目前应用于各个控制领域的预测模型和方法己有上百种,但没有任何一种预测模型在所有方面都是最佳的,它们有各自的优点、缺点和适用的场合。例如,基于传统统计理论的ARIMA模型原理简单,容易理解,在数据充分的情况下,对平稳序列有较高的预测精度,但在估计参数时,必须依赖大量的数据;神经网络模型特别适用于复杂多变的交通领域,但其移植性和可推广性较差。因此,为了使得预测结果更加精确,模型的使用范围更加广泛,本文提出了一种新的交通流预测模型,可以根据不同的环境,选择合适的预测模型。本文主要完成了以下工作:首先,针对传统FCM聚类算法在交通状态识别上的不足,论文从初始聚类中心的选取这一个方面对其进行了改进。模糊C均值算法对初始聚类中心有很强的依耐性,易导致陷入局部最优解的问题,为此,在进行FCM聚类前,可挑选合适的初始聚类中心。在本文提出的方法中,先进行基于快速搜索查找密度峰值的聚类过程,将聚类中心设为模糊C均值算法的初始值,之后按FCM算法进行,得到最终的聚类中心。根据得到的聚类中心,计算每一个待处理的数据点对各个状态的隶属度,选取隶属度最大的状态作为状态判别结果。实验表明,改进后的FCM算法具有更小的误判率。其次,提出了根据状态判别的结果,选择相对应的模型进行交通流预测的模型,并通过构建组合预测模型对其进行了改进。基本方法为基于FCM算法判断状态,然后根据状态选择交通流预测模型进行预测,但在状态转换过程中,按传统规则只选取一个状态对应的预测模型进行预测可能会有较大的误差,因此可根据隶属度的值选择两个基本预测模型组成组合模型,即分别采用两种模型进行预测,对结果进行加权处理,其中权值是根据隶属度计算的。实验证明,基于交通判别的组合预测模型比单一模型有更高的精确度。