交通流量长时预测是指对未来长时间跨度的交通流量数据进行预测,它对城市交通的规划、设计和管理具有重要的意义。交通流具有典型复杂系统的随机性与不确定性,对于长时预测而言,较大的预测时间跨度更加放大了系统的不确定因素。因此,现有的很多交通流长时预测模型难以得到精度较高的预测结果。本文基于模糊集合理论处理交通流量数据,构造了以二型模糊集合为核心的交通流量长时预测模型,主要工作内容如下:首先,本文将K-means聚类与高斯型区间二型模糊集合相结合,提出基于二型模糊集合交通流量长时预测模型。其中,K-means聚类算法用于将交通流检测数据处理为能够表征交通流波动范围的区间数据,并利用聚类中心获得内嵌一型模糊集合参数值,从而为二型模糊集合提供了数据基础。基于该模型的交通流长时预测结果能得到描述交通流可能变化范围的区间数据,并给出较高精度的交通流量预测结果。针对以上模型在模糊规则部分的空缺,本文基于交通流状态之间的转移规律提出了基于模糊规则的二型模糊集合模型。此模型利用马尔可夫模型在一天预测时间轴上与多天同一采样时间轴上寻找交通状态之间的跳变规律,通过马尔可夫模型产生模糊规则,使得模型预测的准确率有着大幅度提升。最后,为了提高模型的抗噪声能力,本文提出了基于模糊融合算法的二型模糊集合模型。此模型基于数据驱动思想构造二型模糊集合,并根据数据在不同时间的分布,分别构造不同数量的二型模糊集合。仿真结果表明,基于模糊融合算法的二型模糊集合模型预测结果最为准确,预测方差较小,抗噪声能力较强。同时,预测区间较小,并能较好地覆盖实际交通流数据曲线。本文通过国内某大型城市的实测交通流量数据进行算法验证,验证结果表明,本文所提出的预测模型能够实现较高精度的交通流量长时预测。