目前,我国城市化进程不断加快,城市的车辆数目正在快速上升。城市交通路网的拥堵问题变得越来越突出,它不仅延长人们的出行时间,给市民的生活带来不方便,同时还给国家带来了不小的经济损失,严重影响了交通运输业的进步与经济的发展。本文从交通历史数据出发,基于机器学习方法,研究城市路网交通状态短时预测问题及可视化方法。根据预测结果,人们可以选择适合自己的出行路线,这样不仅能够有效的避免拥堵路段,同时也有助于缓解交通压力。基于北京市历史出租车运行数据,本文利用机器学习方法设计城市主干道路分路段短时交通状态预测系统。为此,充分利用了当前路段路况与周边路段路况的时空相关性。在空间上,通过构建路网拓扑结构,提取待预测路段在预测时间内可达范围的相关路段;在时间上,选取预测时间范围内的交通状态,提取预测路段的主要特征。利用分类算法,为每条被预测路段构建单独的预测模型,最终实现北京市骨干路网交通状态的短时预测。本文还结合了可视化技术,以图形化的方式呈现交通状态的历史及预测数据,以便进行直观的分析,验证。本文取得的主要研究成果和主要工作如下:（1）通过构建北京市路网的拓扑链接,建立了每条路段在预测时间t内的可达范围,构成待预测路段的相关路段。通过相关路段t₀-t时刻的路况数据,对待预测路段的特征进行筛选。（2）通过支持向量机、贝叶斯网络、决策树以及神经网络等分类算法对比分析,为每条待预测路段构建单独的分类器,在此基础上,运用Adaboost将单分类器组成强分类器。构建交通状态短时预测模型,进一步提高了短时预测的准确率。（3）借助可视化技术,将预测结果及历史交通路况数据可视化。二维利用时钟图、像素图等和三维可视化技术,极大地方便了多维度数据的分析,更有利于发现数据之间更深层次的关联关系。本文通过建立路网拓扑连接,确定了与待预测路段短时交通状态相关的周边路况数据。对待预测路段进行特征筛选降维,引入机器学习方法,为每条路段构建预测模型,实现路网交通状态的短时预测。并辅以可视化方法,对骨干路网的交通状态预测预报效果进行展示、分析及评估。