随着经济的发展和城市化进程的加快，城市人口的增长、机动车拥有量的增加、城市形态的变化以及社会活动规模的增加都给大、中城市的交通及其管理系统增加了越来越重的负荷，交通需求与供给之间的矛盾也变得越来越突出。在这种背景下，综合运用各种技术手段特别是信息技术的交通信息服务可以极大提高交通基础设施和运输装备的利用率，对交通运输事业的发展具有十分重要的意义。　　路况预测主要研究交通流量预测问题，交通流量预测在智能交通系统中一直是一个热点研究领域，是交通控制与诱导系统中的关键问题，也是智能交通系统的重要功能之一。交通流量预测分为短时预测和长时预测，短时交通流量预测一般是指预测时间小于等于15分钟的预测，长时交通流量预测一般是指预测时间在一周左右的预测。短时交通流量预测比长时预测受随机干扰因素影响更大，不确定性更强，规律性更不明显。　　在总结已有多种预测模型的基础上，作者充分考虑了交通本身所存在的非线性性、复杂性和不确定性，使用基于支持向量机的短时交通流量预测模型——最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)模型进行短时交通流量预测。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明，该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。