交通的产生源自于人们日常生活中对于出行或移动的必需性,因此交通成为连接居民活动的重要一环,改善交通环境,实现畅通交通、平安交通是国家重点关注的民生问题。目前各大城市都在大力发展智能交通,而准确的交通状态估计和预测是实现智能管控的基础。虽然在城市中布设了大量交通流检测设备,但仍然无法实现交通数据的全时空、全样本采集,而交通流经常受到各种随机因素干扰,数据缺失、数据融合和数据噪声成为实现交通流精准预测的挑战。同时,常见的交通流估计和预测模型,其模型参数一经标定即不发生变化,现有研究多集中于常态下交通流,而对异常条件下的交通流估计与预测研究不足。城市快速路作为城市路网的重要骨架,在上、下匝道处经常会受到车辆频繁的合流、交织和分流的影响,相比于封闭的高速公路,城市快速路的交通状态演化更为复杂。论文提出一种自适应滚动平滑方法,融合微波和车牌识别数据,对城市快速路单一路段交通流进行了估计和预测。通过非线性插值重构时空速度场,基于虚拟轨迹线算法对单个车辆的经验行程时间进行估计,对默认滤波器参数、全局最优参数(静态)和滚动窗口参数(动态)三种模型参数进行对比。自适应滚动平滑方法能够在更新时间窗口结束时动态调整模型参数,解决了现有方法中使用固定滤波器参数无法动态表征交通流特性的问题,能够更好地刻画交通拥堵产生、传播和消散的动态演化过程。考虑到交通检测数据是包含数据噪声的复杂非线性时间序列,如果将其分解为更具有周期性的组成成分,就能够提高模型预测精度。论文提出了一种融合集合经验模态分解和三维卷积神经网络的深度集成模型框架,实现了路网级交通流分解、预测、重构和融合。利用集合经验模态分解将原始时间序列分解为多个本征模态函数和残差序列,通过将历史步长放在时间维度,将检测器堆叠在空间维度,并将分解后的本征模态函数时间序列堆叠在深度维度,构建了一个三维输入张量,采用三维卷积神经网络,从时间、空间和深度等三个维度对交通流特征进行提取。模型同时考虑了外部特征和历史信息的影响,充分挖掘了交通流时空相关性,实现了大规模城市快速路网的多检测器多步预测。交通流经常受到突发事件的影响,而基于常态条件训练的交通流预测模型并不能产生良好的效果,因此需要开发鲁棒性更强的算法以提高异常事件条件下的交通流预测精度。受到集成学习思想的启发,通过将多个次优的预测结果进行集成生成更优的结果。论文提出了一种通用的多模型集成学习框架,构建了基于梯度提升回归树和套索算法的双层不确定性集成模型,该模型重点考虑了模型结构不确定性和模型参数不确定性,提高了异常条件下的交通流预测精度。通过对比正常和异常两种交通条件下的预测结果,验证了所提出的双层集成模型在异常事件下的预测有效性。本文的研究范围从融合异构数据的城市快速路单一路段交通流估计和预测出发,扩大到城市快速路网层面的交通流预测,研究问题从常态条件下的交通流预测扩展至异常事件条件下的交通流预测,通过系统构建多种交通流预测模型,实现了交通流在不同范围、不同条件下的准确预测。