城市化和车辆保有量的快速增长引起严重的地面交通拥堵问题。作为缓解交通拥堵的有效方法之一,智能运输系统(ITS)得到了快速的发展,其中主动、可靠和实时的交通管理和控制系统是ITS的核心系统之一,其建设与研发需要有效、可靠和实时的短时交通流预测技术体系支撑,包括交通状态的一阶均值预测和二阶离散区间预测。长期以来,在交通流状态的一阶均值预测领域已有大量研究,然而在交通流状态的二阶离散区间预测方向,研究相对较少,尚处在初期阶段。本论文针对连续交通流,在详细分析交通流状态的一阶均值预测进展基础上,重点开展交通流状态的二阶离散特征的分析建模和实时预测研究,主要研究结论总结如下。首先,开展了全面的国内外研究现状分析,发现时域时间序列分析方法可显式描述交通流状态的一阶特征,并和卡尔曼滤波技术相结合,实现交通流状态均值的实时、有效预测；同时发现当前交通流二阶离散区间建模方法主要包括Bootstrap、GARCH和SV三种,指出GARCH方法目前应用最为广泛,但对交通流二阶离散特征的研究还需深入。其次,系统分析了交通流的异方差性,包括组内异方差、时间汇集度对条件异方差的影响和条件异方差季节性三个方面,发现交通流参数的组内方差序列具有显著的规律性,并可利用时域时间序列模型进行建模和预测；交通流参数序列在不同时间汇集度上都具有显著的条件异方差性,且增大时间汇集度可一定程度上降低该特性,但并不能完全消除该特性；交通流二阶离散特征具有显著的季节变化特征,需要在交通流二阶离散特征建模和预测时加以考虑。然后,基于交通流的二阶季节特征,建立了季节调整因子法,给出了季节调整因子的计算公式,分析了季节调整因子的特性,展示了季节调整因子消除交通流二阶季节特征的效果,并通过和传统的GARCH模型进行对比分析,表明了所提出的季节调整因子方法可有效提高交通流二阶离散特征的建模性能。最后,针对交通管理和控制系统的实时性要求,给出了涵盖交通流一阶特征和二阶特征的交通流序列综合时间序列模型,并主要针对交通流二阶特征,考虑季节调整因子的稳定性,采用自适应卡尔曼滤波技术,建立了交通流二阶特征的实时预测方法,实际数据分析表明,该方法可实时预测交通流的二阶特征,并构造有效的预测区间,验证了方法的可行性。综上所述,本文针对连续交通流状态的离散特性与短时预测所获得的研究成果有助于建设主动、可靠和实时的交通管理和控制系统,对缓解我国目前日趋严重的交通拥堵现象具有重要的理论意义和实用价值。