实时准确的交通流预测是交通信号控制系统和交通流诱导系统应用的前提和关键，其预测精度直接关系到交通控制和交通诱导的运行效果。由于交通系统具有随机性、时变性、强非线性等特点，因此人工智能方法越来越受到人们的重视。支持向量机是一种基于结构风险最小化和统计学习理论的机器学习方法，它能有效地解决小样本、非线性、高维数以及局部极值等模式识别问题。此外，研究表明交通流还具有混沌特性。因此，将支持向量机和混沌理论结合应用于短时交通流预测中具有重要意义。本文首先总结了国内外短时交通流预测现状；然后分析证明了交通流数据的混沌特性；最后以此为基础，提出了一种基于支持向量回归机（Support Vector Regression，SVR）和多变量相空间重构的短时交通流预测模型。本文的创新点主要体现在模型的设计原理上，即本文采用多变量时间序列进行建模。本文主要研究工作如下：①在介绍PeMS12.3数据库的基础上，分析了交通流基本特征参数（交通流量、占有率和平均速度），研究了交通流数据的预处理方法，并完成了对实测交通流数据的预处理：缺失或错误数据的预处理、降噪处理。②在概述混沌理论的基础上，介绍了多变量相空间重构理论，并完成了对预处理后的交通流数据的实验，得出了交通流量、占有率、平均速度时间序列的嵌入维数和延迟时间，以及实现了多变量相空间重构。③在分析交通流混沌特性及其混沌特性判别方法的基础上，对交通流量、占有率、平均速度时间序列进行最大Lyapunov指数的计算，结果验证了这三种序列都具有混沌特性。④结合混沌理论及支持向量回归机原理，利用遗传算法对支持向量回归机参数进行优化选取，构建了基于多变量相空间重构的SVR短时交通流预测模型，提出了交通流预测流程，给出了预测评价指标（平均绝对误差、平均相对误差、均方误差），最后利用该模型对实测交通流数据进行了实验，同时与基于单变量相空间重构的SVR预测模型进行了比较。实验结果表明：本文提出的基于多变量相空间重构的SVR短时交通流预测模型的平均绝对误差、平均相对误差和均方误差均小于基于单变量相空间重构的SVR预测模型。说明了本文提出的模型预测效果更好，较充分地验证了本文提出的模型能有效地进行短时交通流预测。