随着城市化的不断发展，汽车保有量的急剧增加，使得城市交通拥挤越来越严重，交通拥挤引发的环境污染、能源浪费、交通事故、出行时间增加、环境质量下降等问题也随之增加，严重影响着城市的可持续发展和人们的正常生活和工作。动态交通管理已成为解决日益严重的交通拥挤问题的有效措施，其前提基础是动态交通数据，包括短时交通参数的当前数据和未来一段时间的预测数据。其中，短时交通参数数据的未来预测效果对于动态交通管理决策的预见性和可靠性具有重要影响。为了进一步改善动态交通管理的预见性，本文以车辆检测器获取的实测数据为基础，对短时交通参数的多步预测方法进行了研究，研究成果主要有以下3个方面。首先，提出了一种基于多时间尺度一步外推的短时交通参数多步预测方法。以现有的一步外推预测方法和组合预测方法为基础，根据不同时间尺度下短时交通参数的合成和分解机理，设计了一种基于多时间尺度（Multiple TimeScales，MTS）一步外推的短时交通参数多步预测方法，并运用某特大城市快速路感应线圈的实测数据对算法进行了验证和对比分析。结果表明，本文提出的多步预测方法因为改变了以往短时交通参数多步预测的思维模式，不需要将一步预测值作为模型的输入进行下一步的预测，不但减轻了循环一步外推所导致的误差累积问题，而且还能够实现预测误差的实时跟踪，使得据此设计的组合模型具有良好的效果。其次，提出了一种基于k近邻估计的短时交通参数多步预测方法。针对基于多时间尺度一步外推的短时交通参数多步预测方法在线应用实时性受限的问题，以k近邻估计为基础，设计了一种短时交通参数多步预测方法，经过模式定义、模式匹配和模式估计，可以一次性实现短时交通参数的多步预测。以某特大城市快速路感应线圈实测数据为基础的对比分析结果表明，这种方法在预测效率和效果方面均优于对比方法。最后，提出了一种基于BP神经网络的短时交通参数可预测步数在线估计方法。短时交通流所固有的波动特性，使得不同时点的短时交通参数数据序列具有不同的短时交通参数动态可预测性（Dynamic Predictability for short-term Trafficparameters，DPT），具体表现为具有不同的可预测步数。为了提高DPT的估计效果，在设计了短时交通参数数据序列特征指标体系的基础上，基于BP神经网络建立了DPT在线估计方法，并以某特大城市快速路感应线圈实测数据为基础对其有效性进行了验证。本论文的短时交通参数多步预测方法和实验结论是对短时交通多步预测方法的有益探索，为短时交通参数多步预测开辟了新的思路，为更有效地实施动态交通管理提供了更有价值的信息基础和相关技术支持。