道路交通堵塞问题是制约城市经济健康发展的关键因素之一,实时、精确的短时交通流预测是交通信号控制、交通分配、路径诱导、自动导航、事故检测等智能交通系统的前提。交通流系统是一个复杂的非线性系统,其高度时变性、随机性、复杂性和不确定性等特性给交通流的预测增加了困难,尤其是短时交通流预测,由于受到道路设施情况、天气状况等诸多外界以及人为原因的影响,预测的难度和复杂度要高于中长期交通流预测。作者在对交通流特性、影响短时交通流预测精度的关键因素及现有短时交通流预测模型的深入分析基础上,将实时性要求极高的短时交通流预测看作是小样本情况下的回归估计问题。鉴于相关向量机在小样本回归估计建模问题中取得的突出优势,本文建立了基于相关向量机的短时交通流预测模型,并通过机器学习、统计学习以及群体智能优化等方法和技术的应用,围绕相关向量机短时交通流预测模型中参数优化、样本量选择以及核函数构建等关键问题进行研究,力图针对短时交通流预测建模中尚未解决的问题进行一些探索性研究。围绕这些主题,本文主要研究成果及创新性体现在以下几个方面:(1)建立了基于相关向量机的短时交通流预测模型框架。以交通流量、占有率、平均速度等交通流参数为输入,对应时段交通流量值为输出,通过采用Shepard插值、配对T检验以及Clough-Tocher精化等技术对模型中核函数的构建和选择策略,并使用混沌理论和模拟退火算法相结合优化相关向量回归估计中核函数的参数。在真实车流数据集上的实验研究表明新模型相比经典预测模型实现了更好的预测和泛化性能。(2)提出了具有上下游路段感知能力的短时交通流预测模型。模型中考虑了与目标路段相邻路段的交通流量、平均车速和车道占有率等因素。通过融合语义理解和二值特征表示,以交通检测器收集到的目标路段的历史交通流量、上下游路段的历史及当前交通流量参数为输入,以对应时段交通流量为输出,建立了渐进式学习方法,结果表明所提出的具上下路段感知能力的RVR模型在相近训练及预测时间下可以得到比一般模型更好的预测性能。(3)提出了一种带季节性指数调节的短时交通流预测模型。新模型采用了DH季节性指数调节方法来描述高峰时间、假日,休息日以及天气变化等因素,并采用了RBF季节核和线性季节核分析交通流量预测涉及到的非线性数据模式,实际数据预测结果表明交通流量变化波动更快会导致更大的预测误差值,本文采用的季节性调整对处理这种带季节性趋势的数据预测问题大有裨益。(4)探索了新模型中样本量大小对预测性能影响的统计学规律。考虑模型中样本量大小与预测精度之间的平衡,提升了交通流预测实时性。采用Mann-Kendall方法和由Sen提出的非参数化等统计方法来检测样本量不同时,相关向量机短时交通流预测模型预测值的变化趋势。通过实验研究表明,相关向量机交通流预测模型对样本量敏感性更低,在样本量较小的时候可以得到比传统方法更好的预测效果。