20世纪以来,交通运输业是拉动国民经济快速发展的重要产业,其发展状况直接影响国民经济的健康运行。几十年来,各国交通事业者提出许多不同方法,尝试为不同城市建立适应自身实际状况的智能交通系统(ITS),试图运用交通信息系统、动态路径诱导系统等方法来解决城市交通存在的问题,而对交通流的准确预测是ITS实施动态路径诱导、交通分配、事故检测等的前提,因此具有非常重要的意义。本文在分析了交通流存在的特性后,根据混沌理论,研究了运用最大Lyapunov指数对交通流的可预测性进行判别,进而对交通流时间序列进行相空间重构,以显现交通流的内在规律,为后文对交通流的短时预测构建数据关系。最后从PeMS系统中选择不同的交通流实测数据进行实验仿真,证明了选择的交通流的确是可预测的。本文在研究支持向量机(SVM)原理以及其用于解决回归问题的ε-SVR原理基础上,分析了基于SVR的模型用于交通流短时预测的可行性,以及不同核函数(径向基核、改进核)和核参数对SVR模型的预测性能的影响后,构造了基于相空间重构和SVR的交通流短时预测模型,并选择网格法(GS)、粒子群算法(PSO)以及综合改进粒子群算法(IPSO)对SVR模型的相关参数进行寻优,构建GS-SVR、PSO-SVR和IPSO-SVR预测模型,同时构建基于BP网络的预测模型用于对比研究。最后从PeMS系统中选择工作目和节假日交通流实测数据分别对GS-SVR、PSO-SVR、IPSO-SVR和BP模型进行实验仿真,并对预测交通流的相关预测性能指标进行对比研究表明：基于BP网络的交通流预测模型综合性能差于基于SVR的交通流预测模型；在相同核函数下,基于IPSO的SVR模型相对基于PSO的SVR模型和基于GS的SVR模型能获得更好的预测性能；在相同参数寻优算法下,基于改进核函数的SVR模型具有更好的预测性能。通过粒子群参数寻优的SVR模型耗时较长,实时性不好。本文在研究了集成学习原理用于基于SVR的交通流短时预测的基础上,着重分析了将Bagging算法和Boosting算法与SVR融合的交通流预测模型。对融合后的模型分别从PeMS系统中选择节假日和工作日交通流实测数据进行仿真试验,并将其与单一SVR模型进行对比。通过实验仿真,相对于单一SVR模型,集成SVR模型也能得到比较优秀的预测结果,同时其具有很好的实时性。