短时交通流的动态预测是交通信号控制系统和诱导服务系统的基本输入之一，预测结果的准确度对优化方案的实施效果具有决定性作用。基于此，诸多学者针对短时交通流预测开展了系统研究，并取得了丰硕成果。然而，现有方法存在如下两方面缺陷：一是研究策略多针对预测模型优化，忽视了对历史数据的选择与处理；二是预测模型多挖掘流量之间的内部规律，缺乏对外部影响因素的合理使用。
　　针对上述两方面缺陷，本文分别提出应对策略。
　　当数据源只包含交通流数据时，构造了一种基于交通流时空模式特征提取的预测器优化选择算法。该方法首先通过高维聚类对历史交通流数据进行划分，之后根据交通流数据的时空特性设计预测模型，并基于单组数据分别训练预测器，最后通过模式匹配完成预测器的优化选择。
　　当数据源亦包含影响因素信息时，提出了一种融合上下文模式特征的短时交通流模糊预测算法。该算法首先通过两个子模型分别处理两类数据。针对影响因素数据，通过改进时空关联K近邻算法匹配交通模式并完成流量预测；而对于历史交通流数据，则通过卷积一长短期记忆网络深入挖掘其时空关联性，并基于时空关联矩阵探究交通流的演化规律；最后，通过模糊逻辑系统对上述子模型的预测结果进行动态权重分配，并基于上一时段预测误差进行预测结果补偿，从而实现混合预测。
　　此外，本文利用实际交通流数据对所提出算法进行了可行性验证。结果表明：本文提出的预测方法能显著提高交通流预测的准确度，且具有较强的鲁棒性。