本课题属于教育部基础科研经费的“面向大数据的实时交通信息云计算系统关键技术的研究”(N120804003)研究项目。城市短时交通流预测是智能交通控制与诱导的重要组成部分,实时准确的交通流预测结果对提高智能交通控制和诱导的效果具有关键作用,对改善城市交通拥挤和提高道路利用效率具有现实意义。由于城市交通流的强非线性、随机性和时变性等特点,以精确数学模型为基础的传统方法预测效果存在一定的不足。因此,基于人工智能的预测方法逐渐受到人们的重视。支持向量机(Support Vector Machine, SVM)作为一种基于统计学理论的机器学习方法,能够很好地解决非线性、高维度和小样本等实际问题。首先,总结了短时交通流预测模型的研究现状,比较了不同预测模型的优缺点,分析了影响交通流变化的主要因素。根据现阶段城市发展较快和影响交通流变化随机因素较多,提出了基于支持向量机回归的短时交通流预测方法,给出了问题描述和模型,并给出了模型求解算法。本文的重点是对支持向量机的参数(C,ε,r)的选择进行了深入的研究,给出了基于试凑法的参数区间确定和基于GA的最优参数设计。其中,针对参数区间进行了与基于历史数据和当日实测数据的BP神经网络(CHDB P)和移动平均(AR)模型的性能比较,比较结果表明基于给出的参数区间的SVR方法预测效果优于以上两种方法；针对GA给出的最优参数,通过实验和实证两种方法分别测试和验证了最优参数的性能,结果表明了GA SVR预测方法具有较高的准确性和可靠性。最后,对短时交通流预测系统进行了系统需求分析和设计,实现了基于支持向量机回归方法的短时交通流预测系统原型。研究成果将能有效提高短时交通流的预测准确度和精确度,对改善智能交通的总体性能具有重要作用。