交通系统是支持社会经济发展的基础设施和“循环系统”，在社会经济系统中占有重要的地位。交通问题解决的好与坏，直接影响着国民经济的发展与人民生活质量的提高。及时、准确的交通流预测是实现交通流控制与诱导的基础性问题，随着预测时间跨度的缩短，交通流显示出来的非线性、时变性、不确定性越来越强，历史平均模型、时间序列模型、卡尔曼滤波模型、非参数回归模型、神经网络模型、组合预测模型等这些传统预测模型的预测效果和预测精度不甚理想。本文利用Lagrange支持向量回归机算法提出了一种预测模型，通过仿真试验并与BP神经网络预测模型的对比，显示出该方法具有预测精度高、速度快的优势。 第一章主要介绍我国城市交通发展的状况及其问题对策、智能交通系统的内容及关键问题和本论文的研究目的、意义。 第二章主要阐述交通流的理论相关知识、当前常用的交通流量预测方法。 第三章研究BP神经网络预测模型，首先介绍神经网络的基本理论，然后研究BP神经网络的算法以及改进算法，最后建立预测模型。 第四章研究Lagrange支持向量回归机预测模型，介绍支持向量机的数学理论基础——统计学习理论、支持向量机标准算法，将其推广到Lagrange支持向量回归机算法并建立预测模型，最后对Lagrange支持向量回归机算法和BP神经网络算法进行较全面系统地对比。 第五章进行仿真试验，本文给出了一种构造时间序列数据集的方法，通过Matlab实现仿真试验，显示出了Lagrange支持向量回归机预测模型较好的预测效果。 第六章总结论文主要工作并给出了未来工作的展望。