随着城市交通问题日益突出,作为解决交通拥堵问题重要途径的智能运输系统(Intelligent Transportation Systems,ITS)的相关研究越加得到关注,尤其是先进的交通管理子系统和出行者信息子系统的研究开发是解决交通问题的基础。准确的交通预测和状态判别是实现交通实时诱导的关键,也是城市交通动态管理的重要内容。通过短时交通流的特征分析,结合动态交通管理、交通流诱导的基本需求,从交通流预测和实时交通状态决策两个方面研究城市交通流辨识方法:首先,根据短时交通流的随机性和波动性,通过分析现有交通流预测方法很难满足预测精度和预测时间尺度等问题,提出了基于小波的短时交通流预测方法。该方法利用小波分析理论将短时交通流分解成随机和稳定两部分序列,根据各自特点分别采用马尔科夫链和RBF神经网络对各自时间序列进行预测,将预测结果合并作为最终的预测值,并采用实验数据验证了该方法的在短时交通流预测中的有效性。其次,对于其他更广泛的交通流特性,考虑单项预测方法可能无法满足预测精度的需要,为此将权重组合预测模型应用于交通流短时预测。在综合考虑了预测精度、运算复杂度的基础上,将指数平滑法、自适应灰色预测法以及基于小波分析的短时交通流预测方法利用最小二乘法进行组合;同样采用实验数据对组合预测方法进行验证,相比基于小波分析的短时预测方法,该组合预测方法在预测精度上提高的并不是很理想,而且增加了运算量;同时也验证了基于小波分析预测方法的广泛适应性。最后,通过交通状态划分方式分析,提出了基于预测的交通状态决策模型。该模型计算后面连续几个时刻相邻两个站点交通流参数预测值之差,来判断是否发生了交通拥挤并利用差值的大小区别交通拥挤的类型;进一步采用实验数据对交通状态决策模型进行了验证,结果表明模型具有良好的检测性能。