随着我国高速公路网的完善,机动车出行量激增,导致交通拥堵、交通安全和交通污染问题日益突出,使得高速公路应有的服务水平无法得到充分发挥。交通诱导等智能交通技术可为高速公路机动车出行路径规划提供实时信息,为有效改善高速公路的出行服务水平提供了有力支撑。作为交通诱导关键理论之一,短时交通流预测可实时对交通流态势进行预估,为出行者提供更加可靠的出行路径选择方案。考虑交通流数据的多维时空特征,引入张量理论构建动态张量模型用于短时交通流预测,可充分体现交通流数据的多维特征,提升预测精度。本文针对交通流数据的多维性和低秩性,分别设计基于张量分解和张量填充的短时交通流预测算法,用于高速公路交通流的短时预测。首先,从短时交通流预测及张量理论两个方面对国内外研究现状进行了总结,提出将张量理论用于短时交通流预测研究,并给出了本文的主要研究内容及技术路线。在介绍短时交通流预测的基本概念的基础上,分析了短时交通流的特性,对短时交通流预测经典理论与方法进行了介绍,并进一步对预测方法优缺点及其适用性进行了对比分析。其次,介绍了张量基本概念与运算,并结合高速公路实际交通流数据,从相关性和低秩性两个判定指标对张量理论在短时交通流预测中的适用性进行分析。前者分别考虑了数据在时间、空间及多模式上的相关程度,后者分别从时间因子、空间因子和高阶奇异值分解三个角度确定了数据的低秩性特征。为满足张量理论在交通流数据质量上的要求,针对交通流存在的缺失数据、错误数据,设计了基于卡尔曼滤波的数据预处理方法,并结合实际数据进行了方法验证。然后,针对张量理论两种分支,从发展历程、计算方法与适用情况介绍了张量分解理论和张量填充理论。结合高速公路交通流数据张量特征,构建多维度的动态张量模型,可为短时交通流预测算法提供实时滚动输入交通流数据。利用所构建的动态张量模型,针对张量分解理论和张量填充理论分别设计了基于梯度下降的 Tucker 分解(Tucker Decomposition based on Grad,TDG)预测算法和高精度低秩张量填充(High Accuracy Low-rank Tensor Completion,HaLRTC)预测算法,并给出了算法的逻辑流程图及伪代码。最后,利用高速公路数据对所设计的两种算法进行了实证分析。通过调整动态张量模型的周维度和时段维度,分析了两种算法在不同维度下的短时交通流预测精度。结果显示,对于波动较小、规律性较强的交通流,TDG预测算法具有较好的预测精度;相对而言,HaLRTC预测算法对波动较大的交通流也具有良好的预测精度,并可同时进行工作日和休息日的短时交通流预测。同时,对正常数据和缺失数据情况下的两种预测算法的有效性进行了对比分析。结果显示,针对正常数据而言,两种张量预测算法相对三种经典预测算法具有更好的预测精度,TDG预测算法和HaLRTC预测算法MAPE值不超过9%。在缺失数据情况下,两种张量预测算法预测精度均随数据缺失率的增加而降低,但在数据预处理后TDG预测算法和HaLRTC预测算法相较于三种经典预测算法均表现出更好的预测精度。