数字化交通将先进信息技术和智能交通融为一体,其发展离不开交通流数据的驱动。深入分析交通流数据特性对交通规划、交通设计、交通管控等方面起到重要的指导意义。在道路交通运行中,道路交通环境、交通事故等对交通流的影响尤为突出,交通流预测研究中充分考虑环境因素的影响,能够为实现数字化交通技术深入研究与应用提供重要的理论支撑。论文以英国高速公路局提供的交通流数据与Weather underground气象网站获取的气象因素数据为核心研究数据。首先,分析了英国M3高速公路与A3普通公路的交通流时间变化规律与车型构成,针对不同降雨强度下的车辆平均速度与不同车型流量的变化情况进行了深入分析,运用经典Van-Aerde交通流模型对自由流速度、通行能力、阻塞密度及临界速度进行了标定,得出降雨天气与正常天气下交通流参数的变化情况。其次,考虑温度、湿度、风速等交通流影响因素,开展天气因素与交通流的相关性分析,研究了交通流与天气因素之间的相关强度,为融合天气因素的交通流预测奠定基础。然后,运用皮尔逊相关系数对高速公路与普通公路下的交通流数据进行时间与空间相关性分析,并针对不同天气因素对交通流量的影响进行分析;运用斯皮尔曼相关系数对所有影响变量之间的关系进行系统挖掘,进一步研究不同天气影响因素与交通流之间的关系,并结合样本检验对数据矩阵进行双尾验证,为融合天气因素的交通流预测研究提供理论基础。最后,考虑天气因素与交通流之间的相关强度,将天气因素融入到交通流预测的过程中,在Tensorflow深度学习平台中,分别建立了基于支持向量回归模型、长短时记忆网络、K近邻算法的交通流预测模型。利用英国M3高速公路与A3普通公路数据进行模型训练与验证,并对不同时间粒度的交通流数据进行分析,对不同时间粒度下的交通流预测准确度进行研究,对无天气因素与融合天气因素下的交通流预测结果进行对比分析。结果证明,以15分钟交通流数据为依据的融合天气因素的基于支持向量回归的交通流预测模型表现最优。本论文以恶劣天气条件下交通流特性研究为主要课题,深入分析了不同降雨条件下不同等级道路的交通流特性,研究了不同天气因素对交通流影响的相关性强度,构建了融合天气因素的交通流预测模型。研究成果能够为交通管理与控制、交通规划与设计以及数字化交通的发展提供重要的理论支撑。