实时准确的城市交通流预测是智能交通系统(ITS)的关键技术之一,为城市交通诱导系统提供有利的数据支持,也为交通事故检测及其它ITS中的其它系统提供了重要的技术支持。本文对城市交通流所具有的内在特性及可预测性进行了分析。在研究交通流动力学系统的基础上利用最大李谱亚诺夫指数对其混沌特性进行判别,同时也利用这个指数判别时间序列的可预测性。为了把一维的时间序列重构到多维空间之中,将其中隐藏的内在因素在多维空间中显现出来,对时间序列的相空间重构进行研究,利用C-C法计算其重构参数。对实际的交通流数据仿真计算,通过计算结果验证交通流的可预测性。对标准LS-SVM的原理及适用性进行了研究,分析了常用的几种核函数特性,针对其存在的不足而引入了小波理论,构造了满足Mercer定理的Morlet小波核函数,并构建了基于最小二乘小波支持向量机(LS-WSVM)的交通流预测模型,同时通过网格搜索法和改进的网格搜索法对模型参数进行寻优，对实际交通流时间序列进行实验仿真,分析了其具有的优势和存在的不足,在此基础上进一步将其改进而构造了基于混合小波核函数的LS-WSVM模型。为了对比分析,分别构建了标准LS-SVM预测模型和BP神经网络预测模型,并将实验仿真的综合预测指标进行对比分析,结果表明混合核函数的LS-WSVM模型有效的提高了交通流预测精度和推广能力,更适于实时在线的交通流预测。