随着我国交通事业的发展,通过物联网技术可以更容易地收集实时交通数据,对实时交通数据的利用给交通行业带来巨大的变革。大数据环境下的实时数据不同于传统的静态数据,对数据处理的效率以及准确度提出了更高的要求,如何在大数据环境下对实时数据合理预测是智能交通系统现阶段面临的主要挑战。在当前大数据环境下,面临更加庞大的数据规模以及更加复杂的交通情景,基于历史数据的传统模型存在效率急剧下降的问题,同时难以很好地应对交通流急剧变化的场景。为解决上述问题,本文提出一种自适应多模型预测方法,对实时交通流序列进行特征提取,在此基础上,进行样本构建以减少交通系统中数据存储压力问题,并设计交通流量组合预测模型,通过动态权重实现对多变交通环境的自适应。本文的主要贡献包括:(1)提出一种基于数据统计特性的实时交通流特征提取算法。通过在实时状态下监视时间序列特征来识别时间序列中平稳非平稳现象的发生,从而提取交通流序列的非平稳特征,用于表示实时交通流隐含趋势变化信息,实现对于交通场景变化的提前适应。同时,以提取的数据特征为基础,设计相应交通流特征模型,能够更好的描述交通流的真实特性。(2)提出一种适用于大数据环境下样本构建方法。针对大数据环境下交通流数据量大,并且价值密度低的特点,以提取的交通流特征为基础,实现对于交通流序列的相似性检验,对原始海量数据进行重新采样,在不降低模型训练精度的同时降低训练GPU消耗。(3)提出一种基于交通场景转移概率的自适应权重组合预测模型。以提取的交通流特征基础,划分交通流为不同交通场景,分别训练不同场景下在线增量子模型,将交通场景转移概率作为模型权重组合子模型,最大程度逼近真实的交通流情景,从而提高预测精度,降低交通状况变化对交通流预测带来的负面影响。本文对提出的样本构建方法、模型融合方法采用PEMS数据库中数据进行了全面的检验,实验表明,所提出的方法在大数据环境下表现良好,能够在减少模型训练时间的基础上提高预测精度,能够为后续交通决策提供良好的技术支撑。