实时获取城市道路交通流量,有效分析城市道路的时空相关性,准确预测城市道路未来交通流量,是实现城市道路交通控制与诱导的前提与关键,对缓解城市道路交通拥堵问题有着重要的理论意义,同时也具有非常广泛的实际应用价值。本文在现有工作的基础上,针对短时交通流具有较强的时空特性、混沌特性以及非线性等特点,通过运用非线性主成分分析、相空间重构理论以及改进的灰色模型预测算法,以此达到对交通流量实时准确的预测,具体工作包括以下几个方面:（1）针对交通流量数据具有时间和空间上相互联动与影响的特性,提出了一种基于数据相关性的非线性主成分分析算法。在交通路网中,就短时交通流预测而言,不仅与预测路段的单点交通流量有关,还受到附近路段交通流量的影响。考虑城市交通的非线性与复杂性,空间维度上使用序列数据相关性系数除去与预测路段相关系数较低的交通流量序列;时间维度上使用非线性主成分分析,剔除相关性较低的交通流量数据,保留相关性较大的交通流量,同时消除序列中的非线性数据给短期交通流预测带来的误差,提高了预测精准度。（2）针对交通流量序列的非线性以及混沌特征,在多维时空交通流量序列进行相空间重构的基础上,提出了一种基于背景值改进的灰色模型预测算法。结合单变量时间序列相空间重构使序列的内部细微特征得以充分放大,但单序列的重构并不能十分准确地描述交通系统状态变量的演变规律,采用多维时空交通流量序列来重构相空间,使其在原系统基础上建立起更加丰富与完整的信息体系,起到提高预测质量的作用。然后,结合灰色模型预测算法适用于非线性和所需数据少的特点,利用背景值的改进对常规灰色模型的预测精度进行改善。（3）采集合肥市芜湖路与徽州大道交叉口附近交通流量数据作为样本,建立基于多维时空非线性主成分分析与相空间重构的改进灰色（NPCA-PSRIGM（1,1））组合预测模型,将采集来的实际路段交通流量作为模型样本。实验结果表明,基于多维时空NPCA-PSR-IGM（1,1）组合预测模型的平均相对误差相比NPCA-PSR-GM（1,1）组合预测模型减小3.21%,其标准偏差相对PCA-PSRIGM（1,1）组合预测模型从15.7091下降到2.0589。同时与一些现有的预测模型相比,该组合预测模型在提高预测精准度方面,达到了较好的预期效果。