城市道路短时交通流量预测是城市智能交通系统的重要环节,短时交通流量的变化具有很强的随机性和时效性,且影响因素众多,如何快速有效地分析影响因素与交通流量之间的关系是研究城市道路短时交通流量预测的关键问题。城市道路短时交通流量与时空关联的多种影响因素之间的关系不明确,本文提出了一种组合最小二乘支持向量机(Multi-group Least Squares Support Vector Machines,MLS-SVM)预测模型并应用于城市道路短时交通流量的定期离线预测,综合考虑时间、道路结构和周边环境多种影响因素,提升模型的预测精度。将标准化后的影响因素按数据源分组建立支持向量回归子模型来研究与交通流量之间的关系,降低特征维度的同时还可以独立考虑各类因素的影响效果,最后组合各子模型优化预测结果。采用实测数据集进行仿真实验,与单支持向量机预测模型、小波神经网络时间序列预测模型和多因素模式识别模型对比分析,仿真结果表明MLS-SVM预测模型的平均预测误差最小且超过45%时间段的预测误差最小,展现了 MLS-SVM预测模型在定期离线预测情景下的有效性和优越性。短时交通流量离线预测模型复杂度高且建模过程封闭,更新模型也很难充分利用之前学习的成果,本文提出了一种改进最小二乘支持向量机(IMP-LSSVM)的在线预测模型并应用于城市道路短时交通流量的在线预测。分析LS-SVM的支持向量稀疏性缺失和参数寻优耗时的不足,针对设计了稀疏支持向量和加速参数寻优的策略,并修改模型循环更新过程,采用上一轮模型寻优结果作为新模型的参数初始值,充分利用之前的学习成果。仿真实验使用实测数据集与粒子群优化的最小二乘支持向量机和人工神经网络在线预测模型进行对比分析,实验的平均预测误差和精度较为接近,但IMP-LSSVM模型的平均训练时间为另两种在线预测模型的30%～60%,有效提升了模型的训练速度,适用于城市道路短时交通流量的在线预测场景。