1、短時交通流預測是智能交通系統(tǒng)中的重要部分，它在實現交通管理系統(tǒng)的高效管理和動態(tài)分配交通流方面起著重要作用。因此快速地得到短時交通流預測結果、提升短時交通流預測精度是有效運行交通管理系統(tǒng)的保證。
　　傳統(tǒng)的預測方法大多采用離線技術，無法實時預測，訓練階段耗時較多，且預測準確性和穩(wěn)定性較差，目前常用的人工神經網絡方法采用平滑的歷史數據來預測未來短期內的交通流，這種方法沒有考慮因傳感設備故障而引起數據波動劇烈的場景。本文針對短時交通流場

2、景中的預測，基于短時交通流實時性、準確性、可靠性三大特征和極限學習機優(yōu)點來預測短時交通流。主要工作如下:
　　針對預測實時性不足問題，減少訓練時間，實現實時預測，采用滑動窗口增量式更新預測模型，能夠在交通流峰值期快速訓練歷史數據并能增量地更新到達的數據;對于已經訓練過的數據，根據距離目標時間的先后以及數據本身特征分配不同的權值，自適應丟棄部分，再與添加的新訓練樣本一起進行預測。由此提出一種基于在線序列的實時極限學習機短時交通流預測

3、模型。
　　針對預測準確性不足問題，考慮反饋機制，將實時極限學習機的預測值與理論期望值的差值反饋給輸入層，形成反饋實時極限學習機網絡結構，并根據反饋誤差對輸入權值做出相應調整。針對預測穩(wěn)定性不足問題，考慮融合機制，即加權平均融合機制和Adaboost融合機制，確保訓練學習過程的穩(wěn)定性，避免了僅僅依靠當單個極限學習機而不能很好地適應新到達的數據且預測精度不高的缺陷。由此提出一種基于權值融合的反饋實時極限學習機短時交通流預測模型。