实时准确的短时交通流量预测是交通诱导的基础，对于有效缓解交通拥堵，缩短出行时间，降低车辆能耗和环境污染，提高公路通行能力与服务水平具有重要的意义，也是当前智能交通研究的重点。　　非参数回归算法是一种近年受到广泛关注的短时交通流量预测方法，具有无参数、可移植、高精度的特点，但其预测效果在很大程度上取决于其状态向量的合理选取，目前尚没有比较系统的选取方法，且选取的状态向量多是固定不变的，不能适应实际的各种交通状态，影响了预测效果。　　为此，本文重点针对非参数回归短时交通流量预测算法的状态向量选取问题，基于高速公路交通流量在空间上演变趋势明显的特点，提出利用行程时间进行状态向量选取的方法，研究建立了适合高速公路短时流量预测的非参数回归模型。主要研究内容包括：　　①基于多源数据的行程时间融合估计。分别建立了基于固定检测器数据、基于浮动车数据及基于高速公路收费数据的行程时间估计，并分析了固定检测器的布设间距，浮动车的数量，收费数据的有效记录数量对各自估计精度的影响。然后以此为依据建立了一种新的多源数据的行程时间融合估计方法，解决了单一数据在个别情况下估计行程时间失效的问题，并减少了行程时间的估计误差，确保了状态向量选取的准确性。　　②高速公路短时流量预测的非参数回归模型建立。针对原始历史数据存在错误与不合理情况，采用基于车型折算系数的总车流量生成及基于自相关分析的丢失数据补偿对其处理。利用行程时间进行状态向量的选取，再利用已选取的状态向量建立了相似机制的计算方法，然后结合最小 K近邻和核近邻选取近邻个数，最后在此基础上建立预测函数。　　通过利用渝武高速公路微波检测器数据对模型进行了分析验证，结果表明，本文模型克服了固定状态向量选取不能满足同一断面不同的交通状态的缺点，对各种交通状态具有更好的适应性，预测精度更高。