Intelligent Transportation Systems (ITS) have attracted an increasing amount of attention in recent years. Thanks to the fast development of vehicular computing hardware, vehicular sensors and citywide infrastructures, many impressive applications have been proposed under the topic of ITS, such as Vehicular Cloud (VC), intelligent traffic controls, etc. These applications can bring us a safer, more efficient, and also more enjoyable transportation environment. However, an accurate and efficient traffic flow prediction system is needed to achieve these applications, which creates an opportunity for applications under ITS to deal with the possible road situation in advance. To achieve better traffic flow prediction performance, many prediction methods have been proposed, such as mathematical modeling methods, parametric methods, and non-parametric methods. Among the non-parametric methods, the one of the most famous methods today is the Machine Learning-based (ML) method. It needs less prior knowledge about the relationship among different traffic patterns, less restriction on prediction tasks, and can better fit non-linear features in traffic data. There are several sub-classes under the ML method, such as regression model, kernel-based model, etc. For all these models, it is of vital importance that we choose an appropriate type of ML model before building up a prediction system. To do this, we should have a clear view of different ML methods; we investigate not only the accuracy of different models, but the applicable scenario and sometimes the specific type of problem the model was designed for. Therefore, in this paper, we are trying to build up a clear and thorough review of different ML models, and analyze the advantages and disadvantages of these ML models. In order to do this, different ML models will be categorized based on the ML theory they use. In each category, we will first give a short introduction of the ML theory they use, and we will focus on the specific changes made to the model when applied to different prediction problems. Meanwhile, we will also compare among different categories, which will help us to have a macro overview of what types of ML methods are good at what types of prediction tasks according to their unique model features. Furthermore, we review the useful add-ons used in traffic prediction, and last but not least, we discuss the open challenges in the traffic prediction field.

近年来，智能交通系统（ITS）引起了越来越多的关注。由于车载计算硬件，车载传感器和城市基础设施的快速发展，在ITS主题下提出了许多令人印象深刻的应用，例如车载云（VC），智能交通控制等。这些应用可以为我们带来更安全，更高效，也更愉快的交通环境。但是，需要一个准确而有效的交通流量预测系统来实现这些应用，这为ITS下的应用提供了机会提前处理可能的道路状况。为了获得更好的交通流量预测性能，提出了许多预测方法，例如数学建模方法，参数方法，和非参数方法。在非参数方法中，当今最著名的方法之一是基于机器学习（ML）的方法。它需要较少的关于不同交通模式之间关系的先验知识，对预测任务的限制较少，并且可以更好地拟合交通数据中的非线性特征。ML方法下有几个子类，例如回归模型，基于核的模型等。对于所有这些模型，在构建预测系统之前选择合适的ML模型类型至关重要。为此，我们应该清楚了解不同的ML方法；我们不仅研究不同模型的准确性，还研究模型的适用场景，有时还研究模型针对的特定类型的问题。因此，在本文中，我们正在尝试对不同的ML模型建立清晰而透彻的评论，并分析这些ML模型的优缺点。为此，将基于它们使用的ML理论对不同的ML模型进行分类。在每个类别中，我们都将首先简要介绍它们使用的ML理论，并且我们将集中讨论当模型应用于不同的预测问题时对模型所做的特定更改。同时，我们还将在不同类别之间进行比较，这将有助于我们根据其独特的模型特征对哪些类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了用于流量预测的有用附加组件，最后但并非最不重要的一点是，我们讨论了流量预测领域中的开放挑战。并分析这些ML模型的优缺点。为了做到这一点，将基于它们所使用的ML理论对不同的ML模型进行分类。在每个类别中，我们都将首先简要介绍它们使用的ML理论，并且我们将集中讨论当模型应用于不同的预测问题时对模型所做的特定更改。同时，我们还将在不同类别之间进行比较，这将有助于我们根据其独特的模型特征对哪些类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了交通预测中使用的有用插件，最后但并非最不重要的一点是，我们讨论了交通预测领域中的开放挑战。并分析这些ML模型的优缺点。为了做到这一点，将基于它们使用的ML理论对不同的ML模型进行分类。在每个类别中，我们都将首先简要介绍它们使用的ML理论，并且将着重于将模型应用于不同的预测问题时对模型进行的特定更改。同时，我们还将在不同类别之间进行比较，这将有助于我们根据其独特的模型特征对哪些类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了用于流量预测的有用附加组件，最后但并非最不重要的一点是，我们讨论了流量预测领域中的开放挑战。在每个类别中，我们都将首先简要介绍它们使用的ML理论，并且将着重于将模型应用于不同的预测问题时对模型进行的特定更改。同时，我们还将在不同类别之间进行比较，这将有助于我们根据其独特的模型特征对哪些类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了交通预测中使用的有用插件，最后但并非最不重要的一点是，我们讨论了交通预测领域中的开放挑战。在每个类别中，我们都将首先简要介绍它们使用的ML理论，并且我们将集中讨论当模型应用于不同的预测问题时对模型所做的特定更改。同时，我们还将在不同类别之间进行比较，这将有助于我们根据其独特的模型特征对哪些类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了交通预测中使用的有用插件，最后但并非最不重要的一点是，我们讨论了交通预测领域中的开放挑战。这将帮助我们根据其独特的模型特征对哪种类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了用于流量预测的有用附加组件，最后但并非最不重要的一点是，我们讨论了流量预测领域中的开放挑战。这将帮助我们根据其独特的模型特征对哪种类型的ML方法擅长于哪种类型的预测任务进行宏观概述。此外，我们回顾了用于流量预测的有用附加组件，最后但并非最不重要的一点是，我们讨论了流量预测领域中的开放挑战。