交通流短时预测对保障智能交通系统的快速运行具有至关重要的作用.准确高效的交通流短时预测不仅可给交通流管理者提供辅助决策支持,同时可提高驾驶人员的出行效率,躲避或减缓交通拥堵.利用传统的非参数回归方法短时预测交通流在数据体量大、 维度较高时,存在模式库需要的存储空间大、 查询速度慢等缺点.针对这一问题,提出了一种改进的非参数回归交通流预测算法,不仅可提高算法的运算效率,同时可提升算法的预测精度.首先,使用主成分分析方法对模式维度进行了降维处理,以克服维度过高引起的匹配速度慢且无关维度的干扰等问题.其次,采用模糊C均值聚类方法对原始交通流数据进行了聚类筛选,以减少所需模式的数量,提升近邻搜索的速度.接着,使用多维搜索结构KD数代替常用的线性表作为模式库的存储结构,实现了模式的高速搜索.最后,融合支持向量机方法,运用搜索到的K个模式估计出最终待预测变量的值.进一步使用深圳市的实际数据对算法进行了检验.结果表明:该算法相比传统方法在运算效率和精度方面都有一定的提高,能够满足实时大规模交通流预测所需要的预测准确度、 实时性和动态性等方面的要求,具有一定的应用价值.