随着智能交通技术的发展,车辆诱导系统作为智能交通系统的重要组成部分,已成为交通管理部门疏导城市道路交通的有效途径。短时交通流预测作为车辆诱导系统的关键技术以及智能交通领域非常重要的理论基础,通过对道路交通流的分析和预测,给用户提供最佳的行驶路线,优化交通管理方案,均衡交通流。本文首先分析了短时交通流预测的背景、国内外研究现状以及课题研究意义,并在研究支持向量机原理的基础上,提出了采用支持向量回归(SVR)方法建立短时交通流预测模型。其次,基于SVM的研究,采用训练误差的平方代替松弛变量,将不等式约束改进为等式约束的方法,进而提出了基于最小二乘支持向量回归(LS-SVR)的交通流短时预测模型,从而避免求解二次规划问题,提高了模型训练的速度。同时,由于预测结果的精度受模型参数影响较大,为了进一步提高模型的预测精度,提出了利用鱼群算法(AFSA)来优化LS-SVR中的参数,得到基于AFSA-LS-SVR的预测模型。最后,本文将采集到的扬州双桥岗2014年9月4日至6日的相关交通流量数据作为研究对象,分别利用SVR、LS-SVR、AFSA-LS-SVR预测模型对其进行短时交通流预测,并将得到的结果进行比较分析。仿真结果表明：LS-SVR模型的预测结果优于SVR模型,且AFSA-LS-SVR模型的预测误差更小,这说明利用AFSA优化LS-SVM的模型参数有利于提高模型的预测精度,同时也说明AFSA-LS-SVR方法在预测方面具有一定程度上的优越性,所以基于鱼群优化算法的最小二乘支持向量回归预测方法具有一定的社会意义和研究价值。