随着经济社会的快速发展,城市道路交通拥堵已成为世界各大城市面临的首要问题,如何合理的管理与控制城市道路交通,是交通管理部门和交通领域学者都在思考和研究的问题。在这个背景下,智能交通管理系统越来越受到交通管理部门与交通领域学者们的重视。该系统的一些子系统如交通诱导系统、交通控制系统可以有效的缓解城市道路交通拥堵的问题。而实时准确的城市道路交通流信息是智能交通管理系统充分发挥作用的基础。本文在前人对城市道路短时交通流预测的研究基础上,总结与分析了关于交通流预测的理论基础,提出了本文的研究方法与改进方向,并通过仿真计算验证了改进预测方法的可行性,为此,本文的主要工作如下:(1)本文的前两章主要是在参考国内外研究文献后做的分析与总结。首先第一章分别叙述了研究背景与意义、国内外的研究现状以及论文的内容和结构等。第二章则是阐述了根据预测时间间隔的长短对交通流预测的分类以及各个分类的主要用途,总结与分析了主要的交通流预测方法以及各方法的优缺点,给出了交通流数据的采集与预处理方法。(2)本文的第三、四两章介绍的是本文所采用的短时交通流预测方法。本文所采用的预测方法是非参数回归预测法,在第三章首先总结了非参数回归法的预测原理、优点以及在短时交通流预测领域的应用。然后在介绍了非参数回归法中常用的核函数法与K近邻法的基础上,选择了K近邻法作为本文的预测方法。继而提出了在K近邻预测法的两个改进方向,改进之一是将恒定的K值改为依据交通流状态的不同选取不同的K值,改进之二是考虑路口的相关性,引入上游交叉口的相关转向交通流。由于K取变值,需要对交通流状态进行分类,在第四章又介绍了基于贝叶斯分类的K近邻短时交通流预测。而第四章主要介绍了贝叶斯理论以及本文所采用的朴素贝叶斯方法,并介绍了使用朴素贝叶斯网络进行历史数据和预测数据状态分类的方法,以及使用贝叶斯分类法的本文的预测流程。(3)本文通过第五章的仿真计算,首先验证了在不同的交通流状态的前提下,不同交通流状态可以选取的对应的最佳K值,以及在不对交通流状态分类的前提下,可以选取的最佳K值。其次,验证了本文在第三章所提到的两个改进方向的可行性。然后将两种改进同时使用,并与采用不改进的K近邻法所得到的预测结果进行相互比较与分析,比较各项误差指标,证明改进方法的预测精度更好,误差分布更加良好,可以用于城市道路短时交通流预测。最后,对本文的研究做了总结,并指出了接下来的研究方向。