行车速度是交通状态的重要参数之一,也是智能交通系统需要预测的一项重要指标。由速度可以得到道路交通流量、密度等信息,为预测未来一段时间内的道路交通基本状况提供依据;同时可以分析道路上的交通流运行状态,控制交通流,反馈数据作为交叉口信号协同控制的依据,以便及时疏导过往车辆,缩短出行时间,减少损失,保证交通的安全畅通。以往基于线圈等固定设备采集的数据的短时预测,只是路段的某个断面,分布不够;浮动车比较均匀的分布在路段上,通过GPS车载装置和无线通信设备,将车辆信息(如时间、速度、经纬度坐标、方向等参数)实时传送到浮动车信息中心。因此,浮动车GPS数据对固定设备采集信息是一个较好的补充,为行车速度预测研究提供了良好的基础。论文在综述国内外浮动车以及道路旅行时间、行车速度预测相关研究的基础上,对基于浮动车数据的路段行车速度短时预测模型进行了研究。基于浮动车数据,结合路网的历史运行和实时交通数据,分别建立了K-近邻预测模型、灰色马尔柯夫预测模型和加权马尔柯夫预测模型。在K-近邻预测模型中,提出了基于聚类分析和Pareto有效解的近邻确定方法;在灰色预测模型中,将灰色GM(1,1)和马尔柯夫理论有机地结合在一起;在加权马尔柯夫预测模型中,将对交通信息状态进行划分,并导入模型中进行预测分析。论文基于杭州市浮动车数据,对论文所建立的模型,进行了路段行车速度预测的示例分析,验证了模型的有效性。