维纳滤波器是一种经典的线性统计滤波器,我们从最优滤波器的角度重新解释了维纳滤波器,指出:当滤波器的输入信号与期望信号是联合高斯分布时,维纳滤波器是真正的最优滤波器。然而,在实际情况中,输入信号与期望信号的联合概率密度分布往往不是高斯的,这时,维纳滤波器并不是最优滤波器。在本文中,我们对维纳滤波器进行了扩展,得到维纳混合滤波器。智能交通系统是非常活跃的一个研究领域,交通流的预测是其中非常重要而又非常困难的一个问题,我们提出了两种预测算法,一种基于我们提出的维纳混合滤波器,另一种基于跳转ARIMA模型。具体说来,我们做了如下几项工作, 第一,提出、设计并实现了维纳混合滤波器。 第二,引入EM算法去学习维纳混合滤波器的参数,并讨论了如何利用机器学习的技术去确定滤波器的阶数和子滤波器的个数。 第三,提出用采样的技术去估计维纳混合滤波器的误差,并利用这种技术分析了参数对维纳混合滤波器相对于维纳滤波器的性能提高的影响。 第四,把维纳混合滤波器应用于交通流的预测,并利用北京市交通管理局的UTC/SCOOT系统的数据做了测试。 第五,提出了描述交通流序列的跳转ARIMA模型,同样在北京市交通管理局的UTC/SCOOT系统上进行了测试。 与维纳滤波器相比,我们提出的维纳混合滤波器具有更广泛的适用性,具有更高的精确度。我们为维纳混合滤波器引入了学习的机制,这在关于模型的先验知识比较少、而训练数据又比较多的情况下特别有效。维纳混合滤波器把一个非线性滤波问题转化为求解高斯混合模型参数问题,而高斯混合模型又是研究的比较多的一个模型,许多技术可以直接借鉴。对于交通流的预测,实验表明,我们提出的两种算法是最好的两种算法,其中基于维纳混合滤波器的预测方法适用于先验知识比较少、训练数据充分的情形,而基于跳转ARIMA模型的预测则适用于训练数据稀少、先验知识丰富的场合。