随着城市化进程的飞速推进,人们对于交通的需求也在快速增长,城市逐渐出现供不应求的交通现象,机动车保有量不断增长,交通拥堵加剧,增加了出行者的时间成本和经济成本,不仅会引发出一系列的交通问题,进一步还会带来环境污染,“交通病”上升为“城市病”,问题亟待解决。如果能够对交通流进行实时、有效的预测,从而做出相应的交通管理策略,必将能够大大减少交通问题带来的负面影响,提升路网的整体运行效率。因此,对于交通流的预测有着非常必要且重大的意义。首先,对国内外短时交通流预测研究现状进行归纳总结,提炼出本文的研究思路。为适应复杂交通流的时变性和非线性,本文考虑交通流时空关联特性,在此基础上,运用新的学习方法以取得更高的预测精度。其次,简单介绍交通流数据的采集技术及预处理方法,并选择微波数据作为本文实验数据。结合数据借助相关系数和灰色关联度两种关联性度量指标,对交通流时空关联性进行分析。最后,在深入了解交通流运行特性的基础上,提出两种机器学习方法用于速度参数的短时交通流预测。一是在使用稀疏表达方法对提取输入时空状态变量的前提下,搭建支持向量回归进行预测;二是利用深度学习思想,建立栈式自编码神经网络(SAE-DNN)交通流预测模型。在此模型框架下,结合贝叶斯理论进行融合,解决单一方法预测的局限性。使用北京市二环快速路的实测数据分别对上述模型进行实例验证。