随着城市交通的快速发展和交通路网情况日趋复杂,交通拥堵状况也日益增多,使整个路网的运行速度减慢、运行效率降低,由此造成的社会经济损失、人员伤亡和环境污染等问题日渐严重。由于交通拥堵中的非正常拥堵存在自身的不确定性和无法预知的特点,给道路交通带来的危害极其巨大。为了将非正常拥堵带来的损失最小化,交管部门和交通研究人员都在寻求准确有效的非正常拥堵的检测方法,以便能够及时地检测出路网中的非正常拥堵事件,并采取交管措施。本文通过研究已有的检测算法,提出了一种基于车流量预测的非正常拥堵检测方法。首先选取ARIMA模型和BP神经网络模型作为单个预测模型,并对其中的BP神经网络用遗传算法进行优化。用南京市路段车流量检测器采集的实测数据对单个模型进行建模,用实测数据对模型进行有效性验证。然后用SVM模型将上述两个单一模型进行组合,得到组合预测模型,并检验组合模型的预测效果,与单一模型进行比较。接下来介绍了用于非正常拥堵检测的预测偏差法,并建立了基于车流量组合预测的非正常拥堵检测综合模型。最后通过VISSIM父通仿真软件对设有非正常拥堵事件的交通状况进行仿真,将输出数据用于检验综合检测模型的实效性,实验结果表明,该检测模型能准确地检测出仿真中的非正常拥堵事件,同时通过对仿真实验的分析,对检测方法中的不足做出了相应的改进,提高了检测算法的总体性能。