实时交通流数据预测是城市交通控制与诱导的基础，也是智能交通系统的重要组成部分。　　在比较和分析几种常用的预测算法的基础上，本文选定了更加适用于实时交通预测的自回归整形移动平均模型ARIMA(Autoregressive Integrated Moving Average)作为基本的预测算法。针对交通流量在线预测的需求，提出了一套基于ARIMA建模理论的可编程建模算法，实现了预测模型的自适应。在该算法中：运用最小二乘法判定差分序列自相关函数的衰减特性，实现差分阶数估计；采用改进的信息量准则BIC(Bayesian Information Criterion)估计法进行模型定阶；然后通过极大似然估计和线性迭代法分别求出AR(Auto-Regressive)模型、MA(Moving Average)模型的参数；将估计的参数代入模型，由预测公式得到差分平稳序列的预测值；最后通过差分过程的逆运算得到预测值。运用C++语言编程实现了基于该算法的预测程序模块，验证了该算法的可行性。　　为了提供稳定的实时流量统计数据作为实时预测模块的输入，本文提出了基于双线圈检测器，三层架构的车辆检测系统设计方案，实现大量实时数据的采集和存储。实地测试结果表明该系统运行稳定，采集结果准确。　　采用上述交通流数据实时采集系统在深圳福龙路进行实时交通流数据采集，并将采集数据输入预测程序模块进行实验预测，结果表明：预测算法在流量高峰期切实有效，运算速度快，基本可以满足在线预测精度和运算速度两方面的要求。