实时准确的交通流量预测是智能交通控制和诱导的关键，有助于提高交通设施的利用效率和人们的出行质量。对于短时交通流量预测，迄今已提出了许多模型。这些模型大多只针对某一路口或路段分析其历史和当前流量数据，而未考虑区域内相关路口或路段的信息。实际上，在区域道路网络中，交通流量数据之间存在着紧密的时空关联关系，如何充分利用区域内的交通流量数据以及它们之间的时空关系，对于提高预测精度是非常重要的。　　 本文重点研究了区域交通流量序列间的时空关系，设计了一种基于时空分析的短时交通流量预测方法。首先，根据交通流量产生依赖于路网的流动特性，以统计分析理论、空间分析理论为基础，对相关系数的语义进行扩展，定义了时空相关系数这一概念，并给出其相应性质及快速计算方法，从而体现了区域交通流量序列间的时空特性，提高了时空相关系数的计算效率。其次，引入核主成分分析法与时空相关分析相结合，得到了一种选取预测点时空特征的时空分析算法，该算法在判别时空相关系数大小的基础上，由核函数在高维进特征提取，从而消除了各个预测因子间存在冗余信息的问题，达到降低输入变量维数的目的。最后根据交通流的非线性特性，选取支持向量机作为其预测工具，构建了由时空特征作为输入变量的短时交通流量预测模型。　　 为验证算法和模型的有效性，本文在选择时间相关分析、空间相关分析和主成分分析作为其对比算法的同时，以移动平均模型、BP神经网络模型、混沌-支持向量机模型作为其对比模型，在模拟的交通数据上进行测试。结果表明，本文所提时空分析算法可以有效减少输入变量的维数，并提取有效的信息作为模型的输入；本文所提预测方法能有效的分析预测点交通流量在区域内所表示的时空特性，揭示其动态特性，并取得较高的预测精度。