短时交通流预测是智能交通系统中的关键技术之一,是主动式交通管理与控制的基础。有效的短时交通流不确定性预测结果能够为交通管控系统提供决策支撑。本文基于国内外学者的研究,提出一种基于改进Bootstrap的短时交通流不确定性预测方法,并采用实际交通数据对其进行了评价分析。本文的具体研究内容如下:首先,查阅国内外研究文献,总结短时交通流均值预测、不确定性预测和Bootstrap理论及其应用的国内外研究现状。分析了当前的短时交通流预测方法研究中,Bootstrap方法应用方面的不足,为后续研究内容奠定基础。其次,提出变形Bootstrap方法。基于经典Bootstrap理论,针对交通流数据的季节性特征,提出一种改进的Bootstrap方法,即变形自助法（Transform Bootstrap,TB）。该方法在经典Bootstrap理论基础上,在重抽样阶段将季节性样本数据通过数据变形来消除其季节性,而后将不同周期内同一时间点的残差数据作为原始样本进行Bootstrap抽样,从而可进一步进行样本均值、方差等参数和置信区间等统计估计。然后,构造不确定性预测模型。梳理了时间预测模型建模过程,基于短时交通流数据的季节性特征,采用Box-Jenkins模型识别方法对短时交通流数据建立SARIMA模型,采用最大似然法估计模型参数。在此基础上,将TB方法与时间序列法结合,构建了SARIMA+TB短时交通流不确定性预测模型。最后,验证方法有效性和改进性。采用采集自英国高速公路系统和美国明尼苏达州大都市高速公路系统的交通流数据作为实验数据,验证上述组合预测模型。采用平均绝对误差（MAE）,平均相对误差（MAPE）,均方根误差（RMSE）和预测均方根误差（RMSEP）评价了均值预测的性能;采用无效覆盖率（KP）和区间宽度（Width）评价本文所提出方法的有效性。此外,从全年连续交通流、工作日/非工作日、一天内不同时间段三方面比较了TB、OB（Original Bootstrap,经典自助法）、BB（Block Bootstrap,分块自助法）和GARCH模型的区间预测效果。结果表明,本文提出的方法在不同时间汇集度和不同分组条件下均能得到有效的区间预测结果,且相对于其他方法具有明显的改进性。