短时路段交通速度预测在交通控制和诱导系统中起着至关重要的作用。目前,国内外在交通状态预测方面的研究重点主要在于对交通流量、旅行时间的预测和估计,在短时路段交通速度预测方面的研究比较匮乏。少数已有的短时交通速度预测方法大多是通过计算单一浮动车的平均行驶速度然后再综合获得路段平均行驶速度。然而,在浮动车速度计算的过程中,不仅需要确定浮动车数据是否异常,还需要考虑路口的等待时间,从而导致计算过程复杂以及可移植性差等问题。为了避开单一浮动车速度的计算难点,本文提出了一种短时交通速度预测方法NN_Forecast。该方法考虑了邻近路段交通状况(如:交通速度、交通流量、路段占有率、交通流密度等)对路段交通速度的影响,并使用分段线性函数作为各个交通状态与交通速度的映射函数。我们利用灰色关联分析的思想为每条路段选取了与交通速度最相关的邻近路段的交通状态,使用基于动态规划方法求解的Jenks聚类方法应用于确定分段函数的分段区间,最后使用粒子群算法求解函数参数。此外,为了确定浮动车在路段上的准确位置,减小GPS采样点定位误差的影响,我们设计了一种基于网格结构的地图匹配算法Grid_MM。该匹配算法综合考虑了轨迹中GPS点与路径中对应匹配路段的位置、方向和形状相似程度,从而提高了地图匹配的精确度。为了加快地图匹配的速度,本文使用了网格结构来快速获取候选路径,并且在求解路径中加入了几种剪枝的方法。我们使用了真实数据来验证本文提出的两个算法。在地图匹配方面,我们使用北京市路网图,以及5条车辆轨迹来验证我们的地图匹配算法,与其他方法相比,我们的方法在保证匹配速度的前提下,能得到更好的准确度。在短时交通速度预测方面,我们使用温州市路网图,以及从2015年2月1日到2月3日共3天3743辆车的37,884,970条GPS记录来验证我们的短时交通速度预测方法。实验证实,与其他两种速度预测算法相比,我们的算法具有更高的稳定性,并且在时间间隔小于10分钟的情况下,具有更高的预测准确度。