摘要：为了克服单一的交通流预测模型性能不稳定的问题，提出了基于约束卡尔曼滤波的短时交通流量组合预测模型。约束卡尔曼滤波组合预测模型以各单一预测模型的权重为状态变量，交通流量为观测变量，预测结果是单一预测模型的加权和，加权系数由约束卡尔曼滤波方程递推动态确定，最后通过广深高速公路上采集的交通流量数据对算法进行了验证。结果表明，在不同预测步长情况下，约束卡尔曼滤波组合预测模型要优于最佳的单一预测模型或与其持平，并且不受某一较差的预测模型影响，具有较高的鲁棒性。

关键词：交通流预测 约束卡尔曼滤波 神经网络 自回归滑动平均模型 

单位：中山大学智能交通中心; 广东广州510275