城市快速路作为城市交通系统中等级最高的道路,其通行质量直接影响着整个城市路网的运行效率,但是机动车保有量和人们出行需求的迅猛增加,使快速路开始出现交通拥堵并有愈演愈烈的迹象。伴随着智能交通系统的提出,缓解快速路交通拥堵、提高城市运行效率有了新的途径和方法。根据实时交通信息对未来一段时间的交通流参数进行预测是智能交通系统中交通控制与诱导模块的基础和关键工作。所以要想借助智能交通系统来缓解交通拥堵,对短时交通流参数进行实时、准确地预测是至关重要的。本文通过梳理、归纳和总结国内外对城市道路短时交通流预测相关研究内容,得出虽然在单一断面上的交通流预测方面已经取得了很多有价值的研究成果,但是在数据获取和预测方法方面仍然存在一些需要改进和完善的地方。在此基础上,本文着重考虑交通流参数的时间和空间特性对快速路上的平均行程速度进行预测研究。首先本文从数据出发详细地介绍了获取数据的方法及主要步骤,针对使用Python语言爬取平均行程速度数据时存在的相关问题,提出了在数据清理、修复和降噪时的解决方法,为下文提高模型的预测精度奠定数据基础。然后从交通流理论角度对交通流基本参数和参数之间的关系模型进行了简要介绍,根据采集到的交通流数据,对西安市快速路上的交通流参数进行宏观特征分析并拟合出了参数之间的函数关系式。为深入了解交通流参数的时间和空间特性,本文结合采集到的平均行程速度数据对交通流进行了时间维度、空间维度和时间序列三个方面的分析,为后文构建预测模型提供依据。基于小波神经网络模型,考虑城市快速路上交通流的时间和空间特性,构建了4种不同的状态向量,从而建立了基于小波神经网络的城市快速路短时交通流预测模型。为了检验小波神经网络在单一断面上的短时交通流预测方面的适用性和本文构建预测模型的准确性,本文使用采集到的西安二环快速路上的平均行程速度数据对预测模型进行了验证。结果表明:运用小波神经网络构建模型预测单一断面上的短时交通流是可行的,使用小波神经网络建立模型进行预测的精度比BP神经网络高,其预测精度均在90%以上;综合考虑交通流的时间和空间特性建立预测模型可有效提高模型的预测精度。