随着经济活动的不断发展，人们对道路交通系统的依赖越来越强，交通拥堵(trafficcongestion)成为世界各大城市面临的严峻问题。近年来智能交通系统(IntelligentTrafficSystem，ITS)得到了广泛研究和发展，其中交通路径诱导系统成为一种预防与疏导交通堵塞很好的方式。然而对大规模路网短时交通流状态进行实时准确的预测是路径诱导成功实施的前提，也是本论文的主要研究目标。 现有的交通流预测模型存在下列一些不足：1)对预测模型实时性要求的考虑不足，单个路段的预测结果往往需要复杂的模型，对于有上万个路段的大型路网来说计算代价太高；2)模型缺乏自适应性，对于复杂的瞬息万变的交通状况而言难以对变化做出及时的反应；3)特征选取上忽略了交通流数据本身在不同尺度上表现出来的周期性。 针对交通这种非线性复杂系统的瞬息多变特点以及实时准确预测的需求，论文提出基于在线局部加权学习(Online Locally Weighted Learning)的交通流预测模型，在此基础之上设计和实现了能够对整个大型路网进行高效实时预测的短时交通流预测系统，并在真实数据上进行了实验分析和验证。论文的研究内容和成果主要包括以下几点： 1.提出基于在线局部加权学习的短时交通流预测方法。这种方法继承了非参回归方法对自适应能力，同时克服了传统非参方法对代价高昂的历史数据最近邻查询的依赖。并通过偏最小二乘方法对输入数据进行降维处理，一定程度上能克服输入数据维度较高的问题。 2.分析了短时交通流数据中特征选取的问题，并通过引入小波变换提取出交通流数据在不同尺度上蕴涵的规律，使得简单的局部线性回归能够很好的利用交通流数据中存在的周期性进行短时预测，提高预测精度。 3.基于上述方法设计并实现了能够实时预测整个路网交通流的短时交通流数据预测系统。 论文在美国高速公路性能检测系统(PeMS)提供的加州地区高速公路路网真实线圈检测数据上对预测模型进行了实验分析，验证了所提出模型的高效性以及准确性，能够满足大规模路网的实时交通流预测的基本要求。