道路交通拥堵及其伴生的环境污染和安全问题已引起世界各国的广泛关注，成为影响经济和社会和谐发展的全球性问题。道路交通是一个由人、车、路和环境等诸多要素组成的系统，各种要素之间互相制约，同时还受法规、管理和控制等措施的影响。由于人的行为具有很大任意性，难以准确刻画，因此道路交通系统是一个复杂、不确定和非线性的系统。　　 随着IT技术的快速进步，特别是传感器和通信手段的发展，智能交通系统（Intelligent Transportation System，ITS）应运而生，它被公认是缓解道路交通拥堵、减少交通事故和环境污染的有效途径。智能交通系统包括了交通流诱导、交通控制、交通监控与救援、交通信息服务等多个子系统，而短时交通流预测正是这些子系统的基础，也是智能交通系统研究的重要内容之一。　　 传统的交通流预测方法是在数据贫乏条件下发展起来的，它们属于全局建模方式，用一种统一模型来涵概各类交通流变化的过程。代表性的有基于参数的时间序列和基于神经网络的两类预测方法。由于交通拥堵状况的多样性和时变性，这种全局统一模型很难准确概括，而随着交通流统计特征的不断变化，预测效果也会日益退化。　　 局部加权学习（Locally Weighted Learning，LWL）是一种基于局部数据拟合的方法，它通过寻找历史记录中与预测点最相似的那些数据进行学习，根据相似程度赋权值，从而建立最适合当前待预测条件的模型。显然，局部加权学习的这种实时建模方式更能针对交通流多变的特点，灵活准确地进行预测，克服了全局模型的不足。而不断丰富的历史训练数据也保证了这种方法能更好地适应交通流时变特点的预测需要。虽然局部加权学习方法能够更准确地预测瞬息多变的交通流，但它是即时训练建模的懒惰学习（Lazy Learning）方法，每次预测都要对记录进行相似性搜索，随着新数据的不断增加，历史数据集会变得日益庞大，这对于具有实时性要求的交通流预测来说是一个严重挑战。为此，本论文采用局部加权投影回归的方法，将近乎无限的原始数据映射为有限的状态空间，有效地降低了相似性搜索的代价，最终预测结果将由各局部状态计算经加权平均得到，权重依匹配程度赋值。实验表明该方法能极大地改善预测效率。　　 局部加权学习是一种无语义数据的建模方法，其投影回归过程并未考虑实际的交通领域知识。近年来，通过对道路交通流的大量实验观察，发展出三相交通流理论（Three Phase Traffic Flow Theory），即交通流可以概括为“自由流（Free flow）”、“同步流（Synchronized flow）”和“宽移拥堵流（Wide movingjams）”三种相态，它们有各自不同的表现特征和转移关系。在实验分析中也发现，不同的交通相态具有不同的最佳核函数带宽。因此我们引入这种领域知识将投影的状态空间划分为相应的三类，依待查询点的相态直接去对应区域进行相似性匹配，这不仅提高了预测的准确性，也改善了搜索效率，使预测方法更具有合理可解释性。　　 为了使局部加权学习方法对新出现的交通状况仍有很好的预测效果，本论文运用动态数据驱动（Dynamic Data Driven Application System，DDDAS）计算范式和智能自适应系统（Smart Adaptive System，SAS）思想，提出了针对交通流特点的自适应机制，即利用预测值与随后到来的真实值的比较结果对模型作实时反馈调整，自动更新相关的预测参数，不断完备预测模型的适应范围和有效性。　　 论文工作的研究内容主要建立在对真实数据进行实验分析的基础之上，数据取自美国加州交通部与伯克利大学合作开发的PeMS系统，本文使用了其中I5-N高速公路2008年七、八月份的交通流数据进行分析，所有程序代码用Matlab编写。　　 论文的主要贡献包括：1）将局部加权学习方法引入到交通流预测中。通过分析它与现有全局模型在交通流预测中的优劣对比，论证了可行性。并根据交通流预测的实时需求，提出了局部加权投影回归的建模方法，将原始数据空间投影为状态空间来降低局部模型的相似性搜索代价，提高了预测效率；2）将领域知识引入到预测建模方法中。针对局部加权学习方法的无语义数据建模缺陷，用三相交通流理论指导状态空间的划分和建模过程，提高了预测的科学性和实际效果；3）运用动态数据驱动思想建立智能自适应机制。根据交通流数据的特点，利用预测数据与到来的真实数据的反馈自动调整模型参数，更好地指导模型的自适应更新，提高了交通流预测的动态适用性。