文献综述：
1国外研究现状
1981年Stephanedes首次将历史平均模型应用于城市道路交通控制系统中。此外，历史平均模型也被广泛应用到各种出行者信息系统和动态路径诱导系统中，比如1987年Jeffrey提出的AUTOGUID系统；1993年Kaysi提出的LISB系统等。但是该算法不能反映短时交通流基本的不确定性与非线性，因此有着诸多的局限性。
Kalman于1960年提出卡尔曼滤波(KF)模型,该模型采用由状态方程以及观测方程组成的线性随机系统状态空间模型来描述滤波器,并且利用状态方程的递推性，按线性无偏最小均方误差估计准则，采用一套递推算法对滤波器的状态变量作最佳估计，从而求得滤掉躁声的有用信号的最佳估计。IWAO OKUTANI[1]利用卡尔曼滤波理论建立了交通流量的预测模型,其预测到的结果优于UTCS-2方法的预测结果。卡尔曼滤波模型具有预测因子选择灵活、精确度较好的优点，但此模型的基础是线性估计模型,所以当预测间隔小于5min时，交通流量变化的随机性和非线性性较强时，模型的性能会降低。此外,每次计算时都要重新调整权值,因此需要做大量的矩阵运算和向量运算，算法会较为复杂。
人工神经网络(ANN)模型诞生于20世纪40年代。1993年和1994年Dougherty和Clark分别将其用于短时交通流预测[2]。神经网络模型在交通流预测中的应用，在一定程度上消除了建立精确数学模型的困难，能保证一定的预测精度，但是它的网络训练时间过长，参数调整过于繁琐,尤其在输入输出单元较多以及隐含层单元较多时，计算较为复杂，难于在线实现。
Hardle [3]于1990年提出了基于车辆随机到达模型和车辆总数保持不变的行程时间预测方法。该方法通过统计进入和离开上下游观测线的累计车辆总数，先求出一定时间内车辆总的行程时间，再得到相应时段内通过实验路段上的车辆总数，总的行程时间除以总车辆数，就得到了实验路段的平均行程时间。之后利用指数平滑的数学方法对平均行程时间进行平滑。该方法只需要采集简单的交通数据，仅需统计实验路段的交通流量。但由于要确定开始计数时实验路段内的总车辆数量与第一辆进入实验路段的车辆离开终点观测线的时间，这两个参数一般不易得到，是一个实际中应用较大的问题。
Do H.Nam[4]于1996年建立的高速公路行程时间预测模型应用了随机排队理论和路段上的车辆数，该模型没有对交通状况作任何假设，具有良好的实用性，但该模型没有考虑城市道路交叉口的情况，比较适合高速公路路段行程时间预测，不太适合交叉口多行车状况复杂的城市道路。
新泽西工业技术研究所[5]于2001年的研究认为基于浮动车的路径行程时间预测不能依附于路段行程时间，而应单独研究。通过实验分析发现，在正常的交通状态下，路径行程时间预测较路段行程时间预测获得了精度更高的预测结果，但是对预测精度有影响的因素要进行详细分析，其缺点是影响预测精度的因素因城市而异，不具有推广性。
Riced等 [6]在 2002 年利用当前交通调查数据同以往交通数据相结合的方式对高速公路路段行程时间进行了预测，通过感应线圈数据、车牌识别数据和基于GPS 浮动车数据等方式获得了当前路段交通流状况后，利用交通数据在时间序列上的线性相关性对高速公路路段进行了行程时间预测。这种方法简单有效，但对采集的数据量需求很大。
加州大学伯克力分校统计系于2003年提出了快速路行程时间短期线性预测方法，这种方法使用简单，计算效率高，对交通参数类型要求不限，不会造成高速公路检测器采集的数据浪费[7]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
