城市交通信号控制涉及千万出行者的通勤效率。传统信号配时多依赖固定方案，难以适应实时变化的交通流量。排队消散时间作为信号优化的核心参数，其精准预测一直是业界难题。本项研究正是针对此实际问题展开的深度探索。 研究团队针对智能汽车信息物理系统（IVCPS）环境下的交通预测需求，设计了PRISM智能预测框架。该框架的核心创新在于采用多层次模型融合策略。首先，研究团队构建了由XGBoost、GBDT、SVR等多个异构学习器组成的双层堆叠泛化模型，针对不同交通模式分别进行超参数优化，发挥各模型在特定场景下的优势。随后，通过基于交叉验证的stacking训练流程，以决策树作为元学习器对各基础模型的预测结果进行自适应加权融合，既保证了预测精度，又增强了模型的泛化能力。 在天津市四个真实信号交叉口的实际验证中，该模型表现出色。总体平均绝对百分比误差（MAPE）仅为7.82%，平均绝对误差（MAE）为1.00秒，预测精度达到99.18%。特别是在路口2，MAPE最低至5.82%，MAE仅为0.95秒，充分说明该方法能够适应不同区段的交通特性。更为关键的是，单样本预测耗时平均仅为3.6毫秒，峰值耗时未超过5毫秒，完全满足实时交通控制的严苛要求。 这一成果的实际应用价值重大。精准的排队消散时间预测可以直接支撑动态信号配时优化，帮助交通管理部门根据实时路况灵活调整信号周期和相位时间，提高通行效率。同时，毫秒级的预测速度使其能够为绿波车速引导系统提供可靠的决策依据，引导车辆以最优速度通过信号交叉口，进而减少停车次数、降低燃油消耗和污染排放。在智慧城市建设背景下，这类技术创新对缓解城市交通拥堵、改善出行体验很重要。
从“看见拥堵”到“预判拥堵”，再到“主动化解拥堵”，交通治理的技术路径正在加速演进；以毫秒级预测支撑路口精细化调控，不仅体现算法能力的提升，也反映出城市治理从经验走向数据驱动、从被动响应走向主动干预的变化。要让数据与模型持续转化为道路效率与出行体验的提升，仍需在技术验证、工程落地与协同治理上持续推进。