城市交通流量预测可以帮助交管部门进行拥堵疏导并为出行人员提供路径规划建议,如何进行准确且高效的交通流量预测是一项极具现实意义的工作。关于交通流量预测,国内外已有众多卓有成效的成果,然而现有方法仍存在一定的局限性:(1)预测模型的适用地区不同导致可扩展性差。例如:通过交通传感器所得车速、车流量和道路占有率等数据进行预测的模型,在城郊和高速公路上预测准确性较高,却不适用于路况复杂,车流量较大的城市中心区域;(2)模型训练耗时久。近几年基于神经网络设计的预测方法在达到很高准确度的同时需要大量的数据来训练、调整模型,并且模型的参数可能会随着时间发生变化,需要对模型进行重新训练来保持预测的准确性。由此带来的长耗时致使预测系统缺乏实时性,不能做到实时预测;(3)预测模型在复杂路网下的实时预测准确度不高。一些预测方法仅考虑交通时序数据,忽略了空间近邻卡口交通流量,导致车流量急剧变化时模型的预测准确度不高。针对上述问题,本文从时序和空间两个不同维度研究城市道路卡口的实时预测方法,并在此基础上开发了一套面向城市卡口交通流量的预测原型系统。本文对国内外交通流量预测的相关方法进行了总结、整理和分析,并完成了如下工作:(1)对卡口交通数据进行处理和特征提取,并使用机器学习中的随机森林模型对提取的特征进行检验。基于真实城市道路交通流量数据实验分析,在使用提取的卡口数据的特征值(时间点特征、节假日特征、时间段周期性特征、时间阶段特征和周边卡口特征等)时,通过随机森林模型预测未来5分钟车流量的准确率可达83%,比常用的ARIMA模型提升了6个百分比,解决了上述模型不适用于城市地区以及复杂网路预测准确度不高的问题。(2)随机森林作为参数学习方法,需要随着时间发展对模型参数进行重新训练以保持预测精度,由此造成的长耗时导致模型无法进行实时预测。KNN作为一种非参数预测模型,可以避免这个问题。因此本文设计并实现了基于非参数回归KNN模型的交通流量预测模型,该模型通过考虑卡口数据在时间和空间上的相关性来求取K个历史值,可以进行准确高效的交通流量预测。基于真实的城市道路交通数据实验分析,该模型5分钟短时预测耗时1.3s,预测准确度达91%,突破了交通预测模型适用区域不通用、训练耗时久、准确度较差这三个局限性。(3)本文设计并实现了面向城市道路卡口交通流量预测原型系统,包括了数据处理模块、数据存取模块以及流量预测模块。该系统在本文设计的KNN预测模型基础上实现,首先对城市道路卡口数据进行实时处理与储存,其次根据客户的预测需求从历史数据库中获得相关数据,最后进行准确且高效的城市卡口交通流量预测。