目前,城市人口逐年增长,交通需求和道路资源供给不平衡问题日渐凸显,交通拥堵成为制约社会发展的重要因素。而有效的交通流量预测是实现交通管制的关键。交通流量类型包括共享单车流量、行人流量、短时汽车流量,共享单车流量预测可用于指导单车的合理投放,改善用户体验;行人流量预测用于疏解人群拥挤,防止事故发生;短时汽车流量预测有利于实现城市路网运载能力的高效利用,提高出行效率。而不同类型的交通都具有自身特性,传统预测模型无法准确分析其变化规律,预测精度低,且耗时较长,为此,对交通流量预测的深入研究具有十分重要的实际意义。高斯过程混合(GPM)模型是若干个高斯过程(GP)的组合,若用于交通流量预测可刻画流量序列的细微变化,实现分时段多模态预测。在GPM基础上改进的稀疏高斯过程混合(S-GPM)模型可进一步降低计算复杂度,提高预测效率。本文分析了不同类型交通流量的特征和规律,并将GPM与S-GPM模型用于共享单车使用流量、行人流量、短时汽车流量三类具有不同特征的交通流量预测中,解决交通流量有效预测的问题,主要内容如下:(1)共享单车使用流量的多核高斯过程混合模型多模态预测将GPM用于共享单车使用流量的预测,引入虚假邻近点法获取最优嵌入维数,采用隐参量硬分类算法训练GPM参数,以增强模型预测性能。并将多个核函数组合,充分拟合共享单车使用流量中复杂的特性,构建多核GPM模型进行多模态预测。结果表明,多核GPM能够分模态展示预测结果,且均方根误差可降至0.0875。将预测结果与单核GPM及传统模型对比,多核GPM比其它模型预测误差更小。(2)行人流量与共享单车使用流量的稀疏高斯过程混合模型多模态预测对于大数据流量序列,模型训练的计算量较大,耗时长,因此在GPM模型中引入稀疏策略,即选取代表性样本进行训练,降低了计算复杂度,构建S-GPM模型,并用于行人与共享单车使用流量预测。结果表明,预测所用时间可缩短至10.4535s和12.3102s。将S-GPM和GPM(通常采用Loo CV和Variational算法)的预测结果对比,S-GPM在预测精度和耗时两个指标均比传统GPM更好。(3)短时汽车流量的稀疏高斯过程混合模型多模态预测将S-GPM用于短时汽车流量预测,结合多模态预测原理将预测结果分模态展示,并给出预测结果的置信区间,分析其可靠性。结果表明,S-GPM用于短时汽车流量预测均方根误差可降至0.0476,耗时仅为8.6516s。与GPM及传统模型在误差、耗时、抗噪性三个指标上对比,S-GPM表现出较好优越性。通过对实验结果的分析,可得出GPM具有广泛适用性,且S-GPM用于交通流量预测可提升预测精度,同时缩短耗时,具有实际可行性。本研究为解决交通流量预测问题提供一个更加精确可靠的方案。