对于正日益凸显的城市交通拥堵问题，专家学者们正着力于交通流预测的研究来解决这个问题。经过许多年来的努力，在理论研究方面与实际应用的过程中均取得了显著成效。早在上世界60年代人们就开始研究道路交通状态的识别，研究的方法种类有很多，大致可以分为两类：人工识别法和自动识别法[7]。人工识别法是出行人对道路状况感知识别来判断道路状况是否拥堵；自动识别法则是建立以交通流参数为参数的函数关系进而判断道路的交通状况。随着人们研究深入和现实中的需要，自动识别法的发展极为迅速。其中的代表是城市交通控制系统UTCS（Urban traffic control system）[8]，UTCS从根据历史数据预测到修正历史数据预测再到实时数据预测经历了3代的发展，但预测算法都或多或少的存在一些问题。随着社会经济的不断发展，对于交通流预测模型的研究也取得了长足的发展，许多成熟的、新颖的理论方法运用到了交通预测，交通流预测模型发展至今经历了从简单到复杂，从静态到动态，从点到线再到面等一系列的过程。实际应用中也证实这些方法和预测模型越来越实用、成熟。33407
1国外研究背景
   在上世纪70年代，国外就开始从微观层次上进行交通流预测研究。1975年，Nicholusn H.和Swan C.D.探讨了用谱分析模型预测交通流 [9]。1980年，Amhed S.A.和Cock A.R.提出了时间序列技术在交通流量中的应用[10]。同年，Amhed S.A.和Cock A.R.用Box-Jenkins技术预测了高速公路的交通流量，但预测的精度还不够高[11]。1981年Nihan N.L.和Holmesland K.O.用测量的某路段4年的交通数据，再一次应用Box-Jenkins技术进行预测，预测精度提高并获得了比较好的预测效果[12]。因此可以看出，Box-Jenkins方法需要的历史数据多，对建模者本人的的知识水平与建模技巧要求高。1991年，Davis G.A.提出了用可调整的预测系统来预测高速公路的交通量，并由此判断交通是否拥堵[13]。同年，还建立了更高级的可调整预测系统，应用于城市交通路网的数据收集和实时预测等领域中，当时的预测时间间隔一般取得都是1h[14]。此外，也有不少专家学者使用滤波技术来预测交通流的状态。1972年Gazin D.Che和Kenapp C.H.(1984),Iwao Okutani 就利用卡尔曼滤波理论建立了交通流量的预测模型[15]，1994年，P.C. Vythocukas 也建立了基于卡尔曼滤波技术的交通流预测模型[16]，预测效果良好。1990年Nihan 和 Davis 提出了最大最小可能预测误差模型[17]。1992年，Nihan 和 Davis 建立非参数回归预测模型，他们认为该模型的预测精度优于时间序列模型[18]。1994年，Brain L.Simith 和 J.Demetsky 利用BP神经网络方法建立模型，发现预测结果具有很高的精度，并且没有时滞现象[19]。之后神经网络技术得到了长足发展，1995年，Thiery Dochy 等人再建立了神经网络模型预测时间间隔为1h的交通流量[20]，预测结果令人满意。1997年，Maschavan DerVort 等人将ARINA时间序列模型与神经网络结合，使ARINA模型具有更广泛的可移植性和适应性 [21]。此后，Gorinne Ledoux 又提出用神经网路建立单个路段的交通流量模型，并结合整个路网的交通量预测模型进行预测，再用测得的数据验证了该算法 [22]。1998年，H.Kirby,M.Dougherty,S.Wastson 再次建立神经网络模型[23]研究高速公路短时交通流量预测。论文网
2国内研究背景
    国内对于预测城市交通流的研究起步较晚。最早时人们采用回归法和速度—密度—流量的交通流模型结合的方法来预测交通状态[24]，其这种方法的优点是线性回归用于交通的研究较为成熟，所需要的检测设备比较简单，数量少，并且价格合理；但其缺点也非常明显，主要是实时性不强，适用性差。仅仅依据事先确定的回归方程来预测交通流状态，只适用于某些特定路段的特定范围内，并且不能够及时修正误差。由实际的观测值和线性回归预测的比较结果显示，线性回归预测的数值比较小，与实际的变化情况不符合。当参数标定与实际情况使得交通状态相差较大时，预测误差也会增大，在标定多元线性回归的参数会比较困难。同时，在将主要因素量化的过程中，还存在着一些不确定性。因此，普通的参数回归算法已不能满足交通预测准确性与实时性的要求。 交通流预测国内外研究现状:http://www.youerw.com/yanjiu/lunwen_30503.html