自改革开放以来,国民经济水平大幅度提升,导致我国的机动车保有量急剧上升。机动车在带来交通便利的同时,也导致城市交通状况日益恶化。目前,交通拥堵问题已成为许多城市的发展瓶颈,因此缓解城市交通拥堵问题迫在眉睫。交通流预测通过历史交通流数据对未来时刻的交通流量进行估计,能够有效地提高居民的出行效率,增强执法人员对城市交通的管控,是一种解决城市交通拥堵问题的有效手段。然而,由于受到天气、大气污染等多方面因素的影响,历史交通流数据中存在高度的不确定性以及随机性,这使得准确、合理的预测变得十分困难。针对城市短时交通流量的精确预测问题,本文对计及周期性知识的数据驱动模糊预测方法进行了深入研究,并将其应用于短时交通流预测中。本文的主要工作如下:首先,对目前的主流交通流预测方法进行了概述,介绍了城市交通流预测的特点;随后讨论了五种主流的交通流预测方法,并对上述五种交通流预测方法进行了分析比较;最后对交通流预测方法进行了总结。其次,为了降低历史交通流数据中不确定性的影响,提升交通流预测精度,提出了一种基于自适应模糊推理系统(ANFIS)计及周期性的城市交通流预测混合模型。该模型结合交通流周期性知识和数据驱动的交通流预测模型生成最终预测结果。在该方法中,首先提取交通流数据的周期性知识,将周期性知识从原始交通流数据中移除,然后获得残差数据并将其用于训练交通流预测模型,最后将模型输出和周期性知识结合得到最终的交通流预测结果。其中,数据驱动的交通流预测模型采用ANFIS模型实现。为了验证该方法在城市短时交通流预测中的优越性,进行了2种不同时长的交通流预测实验。实验结果证明,所提出的交通流预测混合模型在不同的短时预测实验中均取得了最好的预测结果,进而证明了所提方法的有效性。最后,针对交通流预测输入变量确定问题及模糊方法输入变量较多时规则爆炸问题,提出了一种基于函数型单输入规则模块模糊推理方法(FWSIRM-FIS)的城市交通流预测混合模型。该模型结合周期性提取方法和FWSIRM-FIS模型产生城市交通流预测最终结果。首先自历史交通流数据中提取交通流周期性,将其从历史数据中移除后得到相应的残差数据,基于残差数据采用偏自相关性分析(PACF)的方法选择最优输入变量,然后利用所得的残差数据对FWSIRM-FIS模型进行训练,最后将FWSIRM-FIS模型的输出与周期性知识相结合生成最终的预测结果。为了验证该混合模型在城市交通流预测中的有效性,将其与三种交通流预测方法——ANFIS模型、BPNN模型以及剪枝模糊推理系统(PFLFIS)进行了比较。实验结果表明,该模型在不同的城市短时交通流预测实验中都能取得最优的预测效果,进而证明了混合交通流预测模型的有效性。