短时交通流预测系统是智能交通(ITS)系统的关键子系统之一。其预测性能的好坏、能否满足实时性要求都直接关系到交通控制与诱导系统的有效实现。本文详细的描述了基于非参数回归模型的短时交通流预测系统的实现过程。首先对系统的功能需求和性能需求进行了详细的分析,通过需求分析归纳出系统的功能模块,根据各个功能模块间的协作流程绘制出详细的数据流程,同时本文还详细介绍了系统架构及关键功能模块的静态类图。非参数回归方法是一种新型的智能方法,能够很好适应短时交通流数据的特点从而得到很好的预测效果,但仍然存在诸多缺点影响其实际应用。这些缺点主要表现在:历史数据库结构不合理,最近邻查找效率较低,系统没有反馈回路,预测算法不够合理等。本文针对这些缺点,通过对该方法本身进行多方面的改进,使其满足了实际应用的要求,并在文中给出了详细的应用方案。主要改进包括:1、采用基于KD-Tree的数据结构来存储历史模式。同时结合实际应用对KD-Tree做了该进,从而提高了搜索效率,大幅度地缩减了数据搜索所需时间,提高了预测系统的实时性。2.、替换k最近邻查找为k相似最近邻查找。在存在大量历史模式的情况下,相似最近邻代替最近邻对精确度的影响较小,但却能大大提高相似模式查找的效率,所以基于应用的考虑,本系统采用了k相似最近邻查找。3、为系统增加了基于四级误差分析的反馈回路,系统会根据不同的误差等级采用不同的调节方式来进行调节,从而提高了系统预测的准确度。4、系统采用了加权的预测算法,从而将不同最近邻对预测结果影响的不同程度考虑在内,进一步提高了系统预测的准确度。在实际应用中,系统采用了分布式架构,来满足系统在大量并行运算时对实时性的追求。预测任务分别在不同的计算机上运行,大大提高了系统的效率。同时当路网改变时,只需对预测模块的局部进行调整无需对系统结构进行调整,增加了系统的灵活性和健壮性。最后,对本文的研究做出了总结,对下一步的工作进行了展望。