我国各大城市的交通拥堵现象日益严重,不仅影响了城市生活的效率和质量,而且带来了环境污染、能源紧张等一系列经济社会问题。智能交通系统被认为是解决城市交通拥堵的有效途径,作为交通诱导核心环节的道路短期交通流预测技术领域的研究还处于探索阶段,其已经成为智能交通系统实施的瓶颈。由于道路交通流具有很强的时变特性,因而,传统的预测方法很难对其进行准确的预测。支持向量机(Support Vector Machine, SVM)模型作为一种新兴的机器学习方法,具有很强的数据挖掘能力和捕捉数据时变特性的能力,同时其泛化能力较之神经网络也有明显改善,更适用于对非线性序列进行预测。因此,本文基于SVM模型进行道路短期交通流预测研究。由于道路交通流会同时受到时间、空间多维度的参数作用,是一个非线性的复杂系统,本文首先分析道路交通流的时空特性,发现时间维度上目标路段先前流量参数和空间维度上目标路段上、下游路段的交通状况参数都会影响目标路段的交通流状态。因此,对时、空维度的参数进行组合,可以得到四组不同维度的参数组合,分别将其作为SVM的输入数据,建立四种不同维度的SVM道路短期交通流单步预测模型。然后,拓展单步预测模型,构建基于多维时空参数的道路短期交通流多步预测模型。最后,以贵阳市中心城区浮动车GPS数据为例进行实证分析。实验结果表明,在本文构建的四种单步预测模型中,基于目标路段先前流量及下游路段交通状况的SVM单步预测模型预测精度最高,且该模型以及本文提出的基于多维时空参数的SVM道路短期交通流多步预测模型都具有较好的预测效果。