随着汽车保有量的爆发式增长，道路交通越来越拥挤，引发了空气污染，能源浪费，交通拥堵等问题。人们对智能交通系统的需求越来越迫切要求也越来越高。智能交通系统和车联网技术的发展可以极大的改善现今的道路交通环境，减轻交通拥堵，减少人们的出行时长。而智能交通系统中的一个核心问题就是车流量的预测。实时地、准确地预测车流量能帮助决策者更好的控制和调度交通车流，让道路更加通畅。　　本文基于贝叶斯预测方法，结合实际交通流数据，对实时准确预测车流量的问题进行了研究。着重研究了贝叶斯动态线性模型在车流量预测中的应用，并把期望最大化算法引入贝叶斯动态线性模型，对模型进行改进。本文的主要工作和创新点如下:　　1.本文选用上海市某市内城市路段的实际交通流数据作为实验数据，对一小时粒度的车流量，提出了基于贝叶斯预测的方法，准确预测车流量。　　2.分析一小时粒度车流量变化的特点，对车流量时间序列进行分解。对分解出来的每一个成分进行建模，构建了多种贝叶斯组合动态线性模型。模型中引入衰减因子，对状态噪声进行衰减，调和历史车流量对预测值的影响。本文分析了多种组合模型，对衰减因子的选值进行了研究，从而选择了最适合车流量预测的模型参数。　　3.为了克服组合贝叶斯动态线性模型在分解模型设计和参数确定过程中，人工参与过多的缺陷，引入机器学习中的期望最大化算法对模型的参数学习进行改进。模型从历史数据中学习出模型的最优参数，取得较好的预测效果。改进模型用实际交通流数据进行验证，在评价绝对误差、平均相对误差和均方根误差三个评价指标上分别降低了38.5％、36.1％、38.6％。