交通安全、交通拥堵以及环境污染是困扰当今国际交通领域的三大难题。对于我国来说，随着汽车保有量的逐年激增，交通拥堵问题成为亟待解决的问题。智能交通系统是公认的解决交通领域三大难题的最佳途径，它的基础是交通流参数预测和交通事件检测方法。因此交通流参数预测和交通事件检测方法的研究具有重要的学术意义和实用价值。本论文的主要研究内容和成果如下：(1)给出低阶非线性变换提高信噪比的数学证明。通过数值实验表明，低阶非线性变换除了众所周知的可以用来估计复杂时间序列的“趋势”之外，还具有以下三大优点：①提高输入信号的信噪比；②降低复杂时间序列中“坏点”数据的影响；③提高噪声与信号的分辨率。同时，通过选定的时间序列预测指标，得出了自回归预测方法、滑动平均方法、指数平滑方法以及组合预测方法的比较结果。该研究属于“机理+辨识”预测策略中的非平稳数据的平稳化方法研究。(2)研究低阶非线性变换对于小波阈值去噪的影响。实验中，通过在叠加白噪声的标准信号上增加异常点，研究低阶非线性变换(幂函数变换)对于小波阈值去噪的作用，实验证明幂函数变换可以很好的抑制小波阈值去噪对异常点的敏感性。(3)改进基于时间序列的交通拥堵事件检测方法，给出具体的实现原理和步骤，并通过实例给出交通拥堵事件发生的概率。