短时交通流预测指基于当前时刻所测交通流数据，对接下来的交通流数据作
出的短期实时预测，是对交通流的初步预测，两个时刻间一般相差15分钟。对于
研究交通流预测的模型，应具备以下特性：
1、准确性：准确的预测模型，可以提升交通系统效率及安全性，让顾客对
其产生信心，只有这样，才能得到广泛的应用。
2、实时性：交通系统是一类实时动态系统，其预测模型需要具备较强大的
快速计算能力，以解决预测中的时滞现象。
3、可靠性：交通系统安全可靠性至关重要，交通流预测会受到诸如天气、
施工、特殊事件的干扰，所以较好的抗噪抗扰能力是不可或缺的。
卡尔曼滤波采用了较灵活的递推状态空间模型，只需对状态变量做出不同的
假设，就可以用它来描述和处理不同的问题，这一点体现了它的广泛性和有效性。
而且卡尔曼滤波算法具有线性、无偏性、最小均方差性和增益矩阵在计算中的自
动改变等特性，使得滤波始终在最新状态下进行，所以基于卡尔曼滤波的交通信
息预测方法具有在线预测的有效性，其优点归纳起来有以下几点：
·可以处理非平稳随机过程、时变系统及有限记忆的情况
·得出的方程组易于计算机求解
·递推滤波的计算量、存储量大大降低，便于实时应用
设z(τ)表示待预测的时间τ处的交通量。尽管在实际应用中，z(τ)是一个标量，
但为了一般性，z(τ)将被假设为维度为m的向量。为了预测τ时刻之后k个时间间隔
的交通流量z(τ+k)，引入以下线性预测模型：
其中，
(j＝0,1,2,…,r)是维度为m×n的参数矩阵（或可称之为加权参数），
是用于预测
的由交通特性组成的维度为n的向量（或可称之为历史交
通流量），该交通特性通过先验调查的结果或通过实践交通工程师的经验被判断
来确定，
为维度为m的噪声向量。
可以直接测量获得，而
的识别是通过使用卡尔曼滤波理论进行的，
