随着我国经济的飞速发展,交通需求也日益增加,随之而来的交通事故也大幅提升,由突发事件引起的道路拥堵、环境污染和安全问题,已引起交通管理者和交通领域科研学者的广泛关注。突发事件状态下的交通流具有突变、偶发及非线性的特征,其内部机理和功能之间的复杂性、关联性尚未得到足够的重视。实时准确地对事发路段的交通流进行快速预测不仅有助于提高道路交通管理水平,也有助于人们更合理的规划自身的出行路径和时间。当前在交通流预测领域存在很多预测方法,例如基于时间序列数据的ARIMA预测法、基于空间状态数据的卡尔曼滤波预测法和基于时空数据的支持向量机预测法,这些预测方法一方面,预测流程较复杂,且需要对模型的参数进行多次设置。另一方面,在预测过程中都未考虑事件对交通流预测准确度的影响。针对上述问题,本文从突发事件下道路交通流的时空特性入手,深入分析了事件状态下各相邻路段上检测器交通流数据的时空相关性,提出了一种考虑事件因素的随机森林预测法,最终通过实际数据验证了本方法的有效性。本文的研究成果概括如下：(1)提出了基于122报警信息的交通事件获取方法,建立了北京市地名地址空间位置信息数据库,在此基础上通过“分层分块”的地名数据组织方式,提取相应层和相应区域的地名作为地名词典。同时以交通事件的空间位置信息为基础,将检测器采集的交通流数据进行标识,从而知道每个数据的具体状态。(2)以获取的交通事件为基础,将采集的交通流数据划分为：有事件时的交通流数据和无事件时的交通流数据,通过对事件状态下交通流速度变化规律的研究,发现突发事件状态下相邻检测器的数据具有很强的时空相关性。(3)以交通流的时空相关性和获取的交通事件为基础,考虑突发事件本身的因素,将分类后的数据,分别用时间序列数据和空间状态数据作为随机森林、ARIMA和卡尔曼滤波算法的输入,对突发事件下的交通流进行预测。(4)为更好的提高预测精度,提出了一种数据时空融合的预测方法,该方法主要是借助最小二乘法将时间序列数据预测法和空间序列预测法获得的预测结果进行融合处理,最终获得一组新的预测结果。同时引入三个误差评价指标：误差百分比绝对值均值(MAP)、误差绝对值均值(MA)和误差平方均值(MS),对算法进行评价。