本文从宏观层面对城市交通状态的影响因素进行分析,并对未来交通状态进行预测。研究对象是北京城市交通指数,通过对交通指数的分析预测,挖掘其内在规律,可为未来宏观交通状态预测与交通政策的提出提供科学参考。目前,国内外对宏观交通状态的研究较少,对交通指数的研究也屈指可数。本文的研究内容包括以下三个方面:(1)根据2015年4月至2016年4月的北京城市交通指数时间序列图,分析其影响因素。交通指数的变化,受到周末、尾号限行、单双号限行、长假、温度、降水量、空气质量指数以及机动车保有量等因素的影响,分别对其进行描述性统计和相关性分析,发现不同影响因素对交通指数影响程度不同,其中影响最大的因素为尾号限行、单双号限行以及长假。(2)之后本文利用了多种时间序列经典模型对北京城市交通指数进行预测,包括了指数平滑法、ARIMA模型、多元线性回归模型以及动态回归模型。在分析了季节性ARIMA模型存在的不足后,提出了ARIMA-SVM混合模型。优化后的模型利用SVM支持向量机对ARIMA模型残差进行预测,将残差预测值与ARIMA模型预测值组合,得到最终的结果;在分析了多元线性回归模型和动态回归模型后,提出了基于时间序列分解的动态回归模型。考虑到交通指数时间序列存在季节性,而动态回归模型对于季节性数据适用性不高,因此对原始序列进行时间序列分解,去除季节部分后对剩余部分进行动态回归模型预测,在预测结果中重新加入季节部分得到最终的结果。(3)最后本文对两种优化后的模型进行对比分析,两种优化后的混合模型对时间序列的预测都显著优于单一模型,结果显示基于时间序列分解的动态回归模型对于序列的微小波动更为敏感,但是整体来看,ARIMA-SVM模型对于交通指数的预测更为准确,其平均误绝对差率仅为6%左右。