交通拥堵问题已引起人们的广泛关注,实时准确的交通流预测是实现交通诱导与控制的重要基础。然而,现有关于交通流预测的精度受到以下两方面的制约:一方面,由于表征交通系统特性的参数较多(如速度、占有率和车流量),故基于单交通流参数的预测方法尚未能全面反映交通流的状态演化过程;另一方面,鉴于交通系统具有非线性和复杂性等本质特性,导致基于线性方法的交通流预测误差难以达到期望范围。因此,针对以上问题,研究基于混沌理论和数据融合的短时交通流预测,具有重要的理论价值和现实意义。本文主要围绕基于混沌理论和数据融合的交通流预测展开研究。具体内容包括:针对交通系统的混沌现象,提出基于最大Lyapunov指数的交通流的混沌特性分析与判定方法;据此,研究基于相空间重构理论的多参数时间序列的相空间重构,进而研究基于Bayesian估计理论的多参数时间序列在高维相空间中的相点融合问题;最后,分别应用支持向量回归机(Support Vector Regression,SVR)和RBF神经网络(Radial Basis Function Neural Networks,RBFNN)实现基于多源数据融合的短时交通流预测研究,并利用实测交通流数据,对本文方法的有效性进行了验证。论文的主要工作包括:1.基于最大Lyapunov指数的交通流的混沌特性分析与判定考虑到交通系统所呈现出的混沌特性,因此,应用混沌动力学中的方法研究交通流的变化成为一种可能。基于此,为了从理论上判定交通系统的混沌特性,本文应用小数据量法,计算出包括平均车速、平均占有率和平均车流量等多参数时间序列的最大Lyapunov指数,以此验证交通流的混沌特性。仿真结果表明:本文采用的5min统计尺度的三组交通流参数时间序列,包括平均车速、平均占有率和平均车流量流时间序列均具有混沌特性。2.基于相空间重构理论的多参数时间序列的相空间重构鉴于1中交通流存在的混沌特性,而相空间重构技术能够从高维相空间中重构混沌系统的奇怪吸引子,即交通流参数时间序列在高维相空间中的演变最终会趋于某一特定的轨迹。因此,首先研究相空间重构参数的选取,包括延迟时间τ和嵌入维数m。考虑这两个参数之间的关联关系,本文采用C-C算法和G-P算法分别计算交通流参数时间序列的延迟时间τ和嵌入维数m。同时,基于相空间重构理论,研究交通流的多参数时间序列的相空间重构。仿真结果表明:系统中多个不同的参数时间序列的混沌吸引子在高维相空间中存在相似性。同时,系统中各参数时间序列的混沌吸引子也拥有各自独特的特征。3.基于Bayesian估计理论的多参数时间序列在高维相空间中的相点融合基于Takens延迟嵌入定理,理论上,单个参数时间序列也能反向重构出原系统的相空间结构,基于1中同一系统的不同参数时间序列在高维相空间中的混沌吸引子拥有各自独特的特征,同时多参数时间序列比单参数时间序列包含更多原动力系统的信息。因此,基于Bayesian估计理论的多参数时间序列在高维相空间中的相点融合研究,旨在相空间中使用Bayesian估计理论对多个参数时间序列的相点的冗余和互补信息进行融合。仿真结果表明:基于Bayesian估计理论的多参数时间序列在高维相空间中的相点融合,使得多参数时间序列的融合相空间包含系统多个参数的主要特征信息。4.基于多源数据融合的短时交通流预测研究基于上述1、2和3的分析,本文设计基于多交通流参数融合的短时交通流预测模型。主要工作包括:(1)对于单交通参数,分别分析了基于支持向量回归机(Support Vector Regression,SVR)和RBF神经网络(Radial Basis Function Neural Networks,RBFNN)的两种短时交通流预测模型的原理,同时采用实测交通流数据验证了这两种预测方法的有效性;(2)对于多交通参数,基于Bayesian估计理论并借助相空间重构理论,设计了两种多参数融合预测模型,包括基于多交通流参数融合的SVR预测模型和基于多交通流参数融合的RBF神经网络预测模型,同时采用多组实测交通流数据验证了预测模型的可靠性;(3)实现了单交通流参数条件下和多交通流参数条件下的短时交通流预测对比,以及多参数融合条件下,SVR预测模型和RBF神经网络预测模型的预测性能对比。仿真结果表明:基于多参数融合的预测模型的预测性能优于基于单参数的预测方法,同时能够准确地反映交通流的变化趋势和规律,而多交通流参数融合条件下,基于RBF神经网络的预测模型在预测性能上又优于基于SVR的预测模型。