全球各大中城市遇到的交通问题日益严峻,于此同时,现有的智能交通系统在缓解交通问题中起到日益显著的作用,智能交通系统受到了广泛的关注。其中的交通流量控制与诱导系统直接作用于道路,可以最为直接的缓解交通拥堵问题。要使交通流量控制与诱导系统能够良好的发挥作用,精确、实时的交通流量预测信息至关重要。由路网与车辆直接组成的交通系统具有极大的非线性、复杂性和不确定性。现有的交通流量预测方法,不管是在预测的实时性还是在预测的精度上,与实际需求均存在一些差距,不能满足现阶段智能交通系统的需求。本文在考察了几种常用的交通流量预测方法后,对其中的非参数回归方法提出了一些改进。具体来说,本文主要对传统的非参数回归预测方法提出了两方面的改进:采用贝叶斯网络方法对交通流状态进行分类,通过分类,降低非参数回归方法中寻求近邻子集所需要的搜索时间,大大降低了运算时间,提高算法实时性;使用贝叶斯网络对交通流状态进行分类后,对不同类别交通流状态,采用不同的K值进行K近邻非参数回归算法进行预测,以提高算法精度。通过对改进的非参数回归算法进行仿真证明了算法的有效性。仿真结果显示,改进的非参数回归方法比传统方法在算法实时性与算法精度上均有所提升。改进算法有助于使智能交通系统更好的发挥作用,应对交通问题带来的压力,减少交通问题带来的巨大经济损失。