交通拥堵预测是交通预警的重要部分。拥堵预测是否科学可靠,直接影响到道路交通服务水平的高低。因此,借助拥挤预测模型对是否会发生交通拥堵作出准确可靠的判断,具有重要的现实意义和使用价值。当前对交通拥堵的预测还停留在通过分析交通流参数来判断是否会发生拥堵的阶段,考虑不够全面。国内外学者已利用神经网络技术来建立交通预测模型。然而,基于单个神经网络建立的预测模型不稳定,无法保证模型的可靠性; 而且单个神经网络预测模型的准确率,仅仅依靠参数和算法的调整也难有较大的提高。针对这些问题,本文综合多个交通相关因素,使用分类器组合技术,来判断当前状况是否是将会导致交通拥堵的模式。以此对交通拥堵预测方法进行了更为深入的研究,得出了一些有实际价值的结论和模型,其拥堵预测准确率高于现有基于单神经网络的预测模型十个百分点以上。同时也是将分类器组合技术应用到交通预测领域的有益尝试。本文主要的研究工作和取得的成果如下: (1)首先对本课题研究领域国内外参考文献收集、整理并分析总结,浅析了ITS和交通拥堵预测相关技术的发展现状。(2)阐述了分类器组合的原理和方法,并主要介绍了产生分类器的两种最为流行的算法Bagging和Boosting,并分析了它们各自的优缺点。(3)介绍了样本数据处理的具体过程,确定合适的拥堵预测指标体系,选择了LMBP神经网络作为组合分类器的元学习算法,选用了投票法和平均法作为分类器输出的组合规则。并针对整个拥堵预测过程做了系统的阐述。(4)针对选定的元学习算法对样本数据进行了相应的处理。对交通拥堵预测考虑除了交通流参数外的节假日、时间段、特殊事件、天气状况这四种相关因素,研究了Bagging和Boosting算法在不同的算法参数和组合规则下所产生的多分类器模型的性能差异,以此为基础确定了适合建立交通拥堵预测模型的构造方法。实验结果表明,使用Bagging法在选择适当的算法参数和平均法时得到的交通预测模型性能相对其它方法最优。这些仿真结果对实际应用有参考价值,是本文的研究成果。