随着我国城市化进程的快速推进,中心城市的交通在一些时段和区域拥堵严重。精准的交通流预测可以为交通控制系统提供良好的道路通行状态预报,在一定程度上缓解城市拥堵问题。然而,传统交通流预测的研究中存在两个难点,一是交通流多步预测步长小、精度差;二是多条道路的交通流预测耗时长、效率低。本文从实际应用出发,针对当前交通流预测方法中存在的问题,综合考虑时间维度和空间维度,以回声状态网络模型为基础,提出了基于回声状态网络的单点多步交通流预测模型和多点单步交通流预测模型,并将这两种模型应用于车辆路径优化问题。具体内容如下:⑴时间维度,针对传统多步交通流预测步长小、精度低的问题,提出了一种基于回声状态网络的单点多步交通流预测模型,其预测的时间范围是一天。该模型结合交通流的周期性特征重构时间序列,并引入主成分分析降维思想,利用回声状态网络模型进行交通流时间序列预测。一方面能够将原始的多步预测问题转换成多个单步预测问题,提高模型的预测精度;另一方面能够降低数据维度,提高预测效率,在去掉冗余数据的同时还能进一步提高预测精度。此外还采用自适应扰动粒子群算法优化回声状态网络模型中的重要参数,将该模型应用到实际交通流时间序列中进行有效性验证。实验结果表明,该模型可以有效地避免预测结果延迟问题并大幅提高多步预测的精度。⑵空间维度,针对多条道路交通流预测效率低的问题,提出了一种基于回声状态网络的多点单步交通流预测模型,其预测的空间范围是多条道路。首先用高维多变量时间序列表示数据,变量的维度为道路的总数,变量的长度为每条道路训练样本长度。通过主成分分析降维方法,将高维多变量数据降到低维,再将低维数据并行地输入多个回声状态网络模型中进行预测,最后用主成分分析模型对预测结果进行重构后得到最终结果。多点单步模型使用主成分分析的主要目的是从实际应用角度出发,缩短程序运行时间,提高模型预测效率。此外,运用R语言对该模型进行仿真实验,并与传统回声状态网络单步预测模型进行对比。实验结果表明,该模型在运行效率上占有显著优势。本文提出的单点多步预测模型和多点单步预测模型虽然用的都是主成分分析和回声状态网络结合的方法,但时间维度的关注点是预测步长和预测精度,空间维度考虑的重点则是预测效率和运行时间。根据这两种模型不同的侧重点,分别提出两种应用模型:基于单点多步预测模型的路径优化模型和基于多点单步预测模型的路径优化模型。并运用R语言对这两种模型进行仿真应用实验,实验结果表明,这两种路径优化模型规划出来的路径都能比传统方法耗时短。