随着城市现代化进程的加速,城市机动车保有量急剧增长,城市道路负载加重,交通拥堵、交通事故层出不穷。发展智能交通来解决交通拥堵问题已经成为主要战略,智能交通系统(Intelligent Traffic System,ITS)的建设刻不容缓。其中,高效、准确、实时的交通流预测是智能交通系统建设中重要的一环,尤其是短时交通流预测对城市内居民出行时路径规划和交通部门的交通管理和疏导具有十分重要的指导意义。短时交通流预测理论与方法的研究,对最大限度发挥城市路网性能具有重要意义,已成为智能交通领域的研究热点之一。近年来,国内外已经有诸多关于短时交通流预测的研究,提出了各种交通流预测模型,但仍存在一些难题亟待解决,如模型存在预测精度低、预测成本高、预测效率低、模型更新时间长等缺陷,阻碍了智能交通系统的进一步发展。本文针对上述问题展开研究,具体内容包括:(1)针对大规模短时交通流预测时效要求高、不确定性强等问题,提出了一种基于增量学习的动态交通流预测技术。首先,使用聚类算法从交通流数据中提取交通事故信息,并将其与天气和节假日信息共同作为不确定性特征引入到模型中以提升预测精度。其次,使用增量训练方法替代传统批量训练方法以提升模型的更新速度。最后,使用主动学习方法对模型进行微调更新以提升其在特殊交通环境下的预测性能。(2)针对交通流数据时空特征明显、存在大比例数据缺失等特点,提出了一种基于3D卷积神经网络的短时交通流预测算法。该模型使用3D卷积神经网络分支与2D卷积神经网络分支分别处理具有明显时空特征的历史交通流数据以及不确定性特征。此外,使用3D卷积神经网络为主体构建缺失值补全模型,提高数据集质量以进一步提升模型预测精度。(3)基于上述关键理论和算法研究,开发了基于交通流预测的交通管控系统UrbanTFlow,通过某城市交通流态势的实时展示,验证系统简单易用,技术切实有效,为智能交通控制和诱导提供了依据。