短期交通流预测是智能交通系统的理论基础和核心技术，具有重要的理论价值和实际应用意义。预测的内容一般为交通量、平均速度、平均密度(或占有率)、旅行时间等。 论文首先从交通流系统内部非线性的角度对短期交通流的特性进行了研究，分别用多种方法定性和定量地对短期交通流的非线性、分形特征和混沌特性进行判别，在此基础上分析交通流的可预测性及影响可预测性的因素。 在短期交通流特性和可预测性分析的基础上，论文用符合短期交通流特性的非线性混沌理论对交通流进行预测，并且将混沌理论和小波分析相结合，建立了基于小波-混沌的短期交通流预测模型，为交通流预测领域提供了新的思想；针对一般交通流数据有限样本的问题，建立了以统计学习理论为基础的专门研究小样本情况下机器学习规律的支持向量机短期交通流预测模型；在相空间重构的理论的基础上，将混沌理论和支持向量机理论相结合，用交通流的相空间的嵌入维数作为支持向量机输入向量的维数，从而很好的解决了支持向量机预测模型的结构问题；针对通常采集到的交通流数据含有噪声和干扰等因素，在小波框架的基础上基于支持向量机的核函数条件，用小波基函数构造支持向量机的核函数，建立小波支持向量机模型，它除了支持向量机的一切优点外，还能消除原始交通流数据中的高频干扰，具备良好的抗噪能力；在小波包具有良好的“自适应性”和“数学显微镜”的特性的基础上，将混沌理论和支持向量机理论结合起来，建立基于小波包，混沌，小波支持向量机的综合预测模型，模型对交通流不同尺度的时频特性分别进行分析，并考虑了交通流的混沌特性，满足短期交通流预测的实时性、准确性和可靠性的要求。论文的理论研究成果在上海高架路实际数据中得到了验证。