交通系统是一个复杂大系统交通流特性与其影响因素关系错综复杂，完全从数学模型研究难以寻找其规律性。为了能够准确的预测各种情形下的交通流，本文通过对城市交通流的长期观测和数据分析，从海量数据外部表征研究间断流的稳态特征和动态转换特性，提出了基于交通流物理概念的离散车队模型和给予数学模型的时间序列、神经网络和小波分析(组合)模型等交通流短时预测模型。本文的主要工作内容是： 1．以交叉口的信号周期为时间尺度，从时域和频域两个不同的角度对动态交通流进行研究，通过动态交通流的三类状态：稳定状态，不稳定状态和异常状态来分析交通流运行状态和交通拥挤的形成原因，从而更深入的了解交通流内在本质的变化规律。 2．从交叉口预测需要和交通流状态判定的需求出发，提出了绿灯流率和时间占有率作为交通流预测对象。绿灯流率把以时间为跨度的数据序列转化为以数量为单位的序列，解决了不同周期下交通流状态的统一尺度问题。通过频域分析的结果，确定了交通流的最小预测尺度，以及预测模型的性能指标和精度。 3．从交通流的物理概念出发提出了基于车队离散模型的预测方法，将路口关联流量分解为匀速运动车队离散序列，可以很好的预测交通流到达量。这种预测模型原理简单，可操作性强。 4．从数学模型的角度提出了时间序列预测模型，提出了稳态交通流预测模型的最佳周期，并对时间序列预测模型的适用性做了进一步探讨，认为由于模型中滑动平均的滤波作用，不适用于不稳定状态的短时交通流的快速跟踪。 5．提出了基于神经网络的预测模型。提出了基于作为比较采用前馈和反馈两种网络，举例分析可知，这两种网络对三个信号周期的稳定状态预测得到较好的精度且预测结果差别不大，但对于不稳定状态，突变点的预测结果推迟，这种模型不能实现实时的信号跟踪。 6．提出了基于小波分析的组合预测模型。通过小波的分解和重构得到不同尺度上代表不同频段的序列，采用ARIMA模型预测并将预测结果叠加。实例分析显示，这种建模预测方法对不稳定状态的预测行之有效，能够满足实际的需要。