随着科学技术的快速发展,智能交通系统为解决困扰世界各国的难题之一——城市交通拥堵带来了可能。智能交通系统有许多优点,既能缓解交通拥堵,又能够提高通行效率,还可以减少环境污染等。短时交通流预测是智能交通系统的重要功能之一,传统的短时交通流预测常常受到数据采集量小以及计算机性能弱的影响。随着科技发展,交通数据采集技术和传输设备的普及,并且数据获取的途径越多,可以获得大量的实时数据。而且,近年来,随着集群的发展,计算机的计算能力极大提高,可以应对大量数据以及复杂模型,完全可以实现对短时交通流数据的分析和预测。本文的主要内容有:(1)由于检测器故障等原因,拿到的数据存在缺失以及冗余等问题,本文对异常值进行检测并进行修复,对缺失数据进行补缺。(2)考虑到交通数据的周期性,用ARIMA模型对短时交通流进行拟合预测。(3)考虑交通流量受到上下游路段的交通流影响,加入网络拓扑特征,用SVM模型进行预测。相比只用该路段的交通信息,有更好的表现。(4)根据交通流的峰值分布,把一天24小时分解成近似线性的四段,对每一段分别建模。