交通预测作为智能交通系统（Intelligent Transportation System，简称ITS）研究的一项重要内容，它是实现交通诱导的前提，可为出行者服务和交通管理提供决策依据。要实现整个路网的宏观管理，必须以路网中所有路段的交通信息为基础。事实上，短时交通信息具有一定的实时、高维、非线性、非平稳性等特点，但同一路段交通信息在不同时期具有稳定性和规律性，且短时交通状态存在自相似性，这就使得短时交通信息具有可预测性。本文的研究便是建立在假设路网中各路段之间的交通信息存在一定的相关性和交通信息具有可预测性的基础之上。由于检测器获得的数据质量会直接影响到预测效果，本文介绍了数据清洗理论和方法，将数据的清洗分为三种方式：丢失数据的补齐、错误数据的判别、冗余数据的约简，并用孤立点检测法和基于历史数据的方法对数据进行了预处理。对于有检测器的路段，本文以历史数据为基础，使用RBF（Radical Basis Function）神经网络和支持向量机（Support Vector Machine，SVM）方法进行短时预测，并用西安市某一区域局部路网实际数据对两种方法的预测结果进行了对比分析，得出在小样本条件下SVM方法比RBF神经网络方法预测结果更精确。对于无检测器路段，利用与其相关的有检测器路段的信息进行预测，并引入了动态非相似度矩阵同时处理流量、速度、时间占有率三个参数，在此基础上利用聚类分析、判别分析、回归方法得出无检测器路段交通信息与其他路段已知交通信息之间的数量关系，从而实现无检测器路段的交通信息的预测，得到区域路网完整的交通信息，同样使用西安市某一区域局部路网实际数据验证了方法的可行性。