随着经济的快速发展与城市化进程的加快,出行量急剧增加,导致城市路网中经常出现交通拥堵现象,甚至城市快速路上也有拥挤现象发生,严重影响到快速路功能的发挥。智能交通系统作为缓解城市交通压力的有效途径,其核心为交通控制与交通诱导系统,准确实时的短时交通流预测作为实现交通控制和诱导系统功能的基础是智能交通系统实施的关键。通过对国内外短时交通流预测研究现状进行归纳总结,得出现有的预测方法大多以单一断面上的交通流时间序列为研究对象,难以适应复杂交通流的时变性与非线性,预测精度有待提高,本文以此为基础,重点研究考虑交通流时空关联特性的预测方法。首先,对城市快速路上的交通流特性进行分析,重点分析了交通流数据的时空关联特性,为短时交通流预测模型奠定了理论基础,并针对快速路上微波检测器采集的原始交通流数据,提出了一整套适合微波数据的预处理方法,解决了因数据异常为后续处理带来的困难。其次,基于城市快速路上交通流的时空关联特性,提出了两种同时考虑研究路段上交通流时间特性与空间特性的短时交通流预测方法。一种是综合考虑交通流时空因素,构建4种不同维度的时间-空间状态向量,建立基于GA-Elman神经网络的交通流预测模型;另一种是基于空间相关性较强的多个断面上的交通流数据建立多维时间序列模型,并转化为状态空间模型,采用无迹卡尔曼滤波算法求解状态空间模型,实现多个断面的短时交通流预测。最后,结合北京市二环快速路的实测数据对本文建立的两个预测模型进行实例验证,仿真结果表明:基于交通流时空关联特性的神经网络模型与状态空间模型均能取得比较满意的预测效果,预测精度达到90%以上,预测结果优于基于单一断面时间序列数据的预测结果。