近年来,随着智能交通系统的蓬勃发展,交通控制和交通流诱导成为智能交通系统(ITS)研究的热门问题,而实现交通控制诱导的关键问题是实时准确的短时交通流量预测,预测的精度和实时性直接影响到交通控制和诱导的效果。鉴于道路交通系统本身的非线性和复杂性,以及交通流量变化的不确定性,在实际中很难找到精度较高的表征交通流特征的数学模型,因此无模型的因果预测法更能适应短时交通流量的预测,其中的非参数回归更是成为研究的热点。基于上述背景,本文开展了下面三个方面的研究:1.基于改进K近邻非参数回归的短时交通流量预测针对现有K近邻非参数回归方法的局限,为了进一步提高算法的精度和速度,结合相关性理论以及聚类分析的思想,做出了两方面的改进:考虑路网内其它路段流量对预测路段流量的影响并利用相关性理论选择状态向量和采用基于聚类分析的变K近邻搜索算法。2.基于模式识别的非参数回归算法及其在短时交通流量中的预测结合模式识别的思想,在非参数回归的基础上,提出了基于模式识别的非参数回归算法,并将之应用于短时交通流量预测。3.基于综合预测算法的短时交通流预测通过对模拟路网的交通流进行分析,针对不同时段的交通流特点,提出基于不同时段的综合预测方法,进一步提高了算法的性能。在论文的最后,用仿真试验检验了各种算法的有效性。实例研究结果表明,改进K近邻非参数回归预测精度最好,基于模式识别的非参数回归运算速度最快,而综合预测算法达到资源占用率和预测精度之间的更好匹配。