交通流预测是建立交通诱导系统的核心技术，也是建立智能交通系统的重要方面。对于短时交通流的预测，现在已经有很多分析和研究。本论文详细阐述了小波变换的基本原理以及Mallat分解与重构算法、灰色马尔可夫预测模型的基本理论及方法，在前人研究成果基础上，提出了一种Matlab环境下基于Daubechies-5小波变换的灰色马尔可夫的短时交通流预测模型及算法，本文的基本思路如下：　　首先对原始交通流数据利用Matlab小波工具进行db5尺度为5小波分解，并将分解得到的近似部分和各细节部分进行单支重构到原始级别上。　　其次本文只对重构后得到的交通流近似部分数据建立灰色马尔可夫组合预测模型。本文利用单因素灰色模型即GM(1,1)首先对重构后的数据进行拟合及预测，然后在拟合数据的基础上对拟合残差进行状态划分，求得一步至五步状态转移概率。本文选用加权马尔可夫链进行预测，对于拟合残差首先进行“马氏性”检验，经验证交通流数据满足“马氏性”要求。然后根据状态转移概率及状态频数求得各阶自相关系数，进而得到各步的权重，根据权重及各步状态转移概率，求得加权状态转移概率，取各加权状态转移概率最大值即为下一信号周期交通流数据灰色预测的残差状态。根据灰色预测模型得到的预测值及加权马尔可夫预测得到的残差状态值，可进一步求得下一信号周期交通流数据的预测值。　　本文数据来自于山东省泰安，结合现场采集数据及交通监察录像，获取了东岳大街上邮电局岗东向的200个连续信号周期的交通流数据。本文对组合预测模型进行10组数据实验，实验证明，在小波变换基础上进行灰色马尔可夫预测比直接在原始交通流数据上建模进行预测精度要高，而且马尔可夫预测模型可以有效弥补灰色模型的不足之处，修正灰色预测残差，可进一步提高预测准确度。