交通运输业的发展水平是国家兴旺发达的重要标志之一。近半个世纪以来,交通拥挤、道路阻塞和交通事故等问题越来越严重地困扰着世界各大城市。随着计算机技术、通信技术以及交通技术的进步,智能交通系统(Intelligent Transprot Systems,ITS)的应用也越来越广泛,它被认为是缓解道路交通拥堵和减少交通事故等问题的有效方法之一。而实时准确的交通流预测是智能交通系统的核心,它同时也是诸多ITS子系统的重要组成部分。　　 城市交通系统具有很强的非线性、随机性、时变性等特点,传统的以统计理论为基础的精确数学模型的预测效果并不理想,因此,近年来基于人工智能的预测方法越来越受到人们的重视。本文从单断面和多断面预测的角度出发,重点研究了目前常用的基于支持向量机理论的短时交通流预测模型,针对此类模型的离线训练、样本等权重的不足,提出了一种改进的支持向量机模型。此外,本文还研究了面向路网的短时交通流预测模型,提出了一种多断面短时交通流预测模型,该模型解决了传统的面向路网预测模型的训练速度慢、断面问的线性关系等不足。　　 本文所做的工作主要有如下几个方面:　　 (1)对智能交通系统及短时交通流预测的基础理论进行研究。重点分析了交通流特性和常用的交通流数据预处理技术。比较和总结了常用预测模型的优缺点。　　 (2)研究了基于支持向量机的短时交通流预测模型。针对目前常用的基于最小二乘支持向量机预测模型离线训练、预测速度慢等不足,提出了一种在线加权最小二乘支持向量机预测模型,该模型根据时间的先后顺序,赋予每个训练样本不同的权值,且能在线学习,从而够跟踪交通流的动态性特征。实验表明该模型提高了预测的精度。　　 (3)研究了基于非参数回归的多断面交通流预测模型。借助SOM网络,把K近邻非参数回归预测模型扩展到多断面预测,提出了一种融合SOM网络的K近邻非参数回归多断面预测算法,此模型充分地考虑了交通流空间相关性特点,捕获了多断面之间的非线性关系,提高了预测的精度和鲁棒性。实验表明该模型是有效的。　　 (4)在理论研究的基础上,将短时交通流预测方法应用到实践当中去,设计并实现了一个交通流预测模块,用来模拟深圳市交通流诱导系统的预测功能部分。