短时交通流预测是智能交通系统中的重要部分,它在实现交通管理系统的高效管理和动态分配交通流方面起着重要作用。因此快速地得到短时交通流预测结果、提升短时交通流预测精度是有效运行交通管理系统的保证。传统的预测方法大多采用离线技术,无法实时预测,训练阶段耗时较多,且预测准确性和稳定性较差,目前常用的人工神经网络方法采用平滑的历史数据来预测未来短期内的交通流,这种方法没有考虑因传感设备故障而引起数据波动剧烈的场景。本文针对短时交通流场景中的预测,基于短时交通流实时性、准确性、可靠性三大特征和极限学习机优点来预测短时交通流。主要工作如下:针对预测实时性不足问题,减少训练时间,实现实时预测,采用滑动窗口增量式更新预测模型,能够在交通流峰值期快速训练历史数据并能增量地更新到达的数据;对于已经训练过的数据,根据距离目标时间的先后以及数据本身特征分配不同的权值,自适应丢弃部分,再与添加的新训练样本一起进行预测。由此提出一种基于在线序列的实时极限学习机短时交通流预测模型。针对预测准确性不足问题,考虑反馈机制,将实时极限学习机的预测值与理论期望值的差值反馈给输入层,形成反馈实时极限学习机网络结构,并根据反馈误差对输入权值做出相应调整。针对预测稳定性不足问题,考虑融合机制,即加权平均融合机制和Adaboost融合机制,确保训练学习过程的稳定性,避免了仅仅依靠当单个极限学习机而不能很好地适应新到达的数据且预测精度不高的缺陷。由此提出一种基于权值融合的反馈实时极限学习机短时交通流预测模型。本文实验数据均来自开放性能评价系统平台PeMS 14.0,通过实验验证,优化后的模型其预测结果在均方根误差、标准误差百分比以及时间消耗等方面比其他经典短时交通流预测方法的结果提高了百分之十五,且在平稳交通场景和非平稳交通场景下的有较好的适用性。