高速公路的不断发展给人们的出行带来了巨大的便利。但随着人们生活水平的不断提高,机动车的逐渐普及,高速公路的拥堵现象逐渐显现。高速公路的拥堵不仅浪费了出行者的大量时间,影响出行体验,而且还对环境造成了污染。为了解决拥堵问题,需要对交通实施有效诱导和控制,这其中的关键技术之一是实现交通参数的短时预测。本文重点研究了交通工程中交通三参数的特性,通过大量的历史数据分析得出,交通参数具有周期性和随机性的特点。基于交通参数的周期性和随机性考虑,本文建立了微观路段单节点短时交通参数预测模型和中观路段多节点的短时交通参数预测模型。本文首先研究了单节点的交通参数预测问题。传统的交通参数预测方法包括参数模型、非参数模型、组合模型、混合模型等,但这些模型都只是将交通参数序列当作时间序列问题考虑,忽略了交通参数的周期特性。从交通参数的特性出发,本文建立了基于模态分解的混合交通参数预测模型,该模型首先将原始交通参数序列进行模态分解和模态组合,得到对应交通参数周期特性和随机特性的周期序列和两部分随机序列,然后根据子序列的复杂程度并依据现有预测模型的优缺点,对子序列分别建立了BP、-(1和LSTM子预测模型,最后将三个预测模型的预测结果进行叠加,得到最终的预测结果。实验结果显示,与单一预测模型相比,提高了预测精度。在单节点交通参数预测模型的基础上,本文又研究了路段多节点的交通参数预测问题。路段多节点预测问题因为涉及到空间和时间因素,随机性加强,预测问题难度加大。已有的路段多节点预测问题主要考虑路段各节点的相关性,先将数据进行降维处理,在此基础上建立预测模型。但此类方法存在参数选择问题,需要在计算复杂性和预测精度之间权衡,很难根据实际需要实现良好的预测效果。为此,本文建立了基于模态分解的卷积神经网络预测模型,该预测模型首先同样考虑到交通参数的特性,利用模态分解和模态组合将原始交通序列分解为周期序列和随机序列,接下来借助卷积神经网络处理多维数据的优点,建立了卷积神经网络的预测模型。实验结果表明,该预测模型取得了较好的预测精度。基于模态分解的单节点交通参数预测模型和基于模态分解的路段多节点预测模型构成了微观和中观的高速公路交通参数预测问题体系。单节点预测模型为将要经过某一具体地点的出行者提供信息参考,多节点的预测模型则可以反映未来一段时间内道路的运行状态变化情况。