智能交通控制系统能够有效缓解城市道路交通堵塞、降低交通事故发生率、减少汽车尾气排放污染等问题,而道路交通状况分析则是通过对城市交通路网的状态数据进行采集和分析,对城市路网短时间内的交通状况进行评估,从而为智能交通控制系统提供控制策略。道路交通状况分析作为智能交通领域非常重要的研究工作,可以帮助城市进行智能交通诱导,辅助用户选择最优的路径。支持向量机在解决机器学习过学习与欠学习、局部最小、小样本等问题中,较其他的方法具有更好的优越性,在短时交通流的预测中可以有更好的预测准确性。本文以基于浮动车数据的道路交通状况分析为研究课题,在交通流数据分析的基础上,实现了支持向量机回归预测模型的构建,并将PageRank算法应用到模型中去解决全网中任意路段交通流预测时的数据稀疏、数据不完整以及噪音干扰等问题。本论文的主要工作如下:(1)对西安市的出租车GPS数据进行了异常剔除、标准化等一系列清洗处理操作,并应用这些数据对西安市交通状态分析的浮动车样本数量要求进行了研究,通过计算证实了样本数据量足够反映出整体交通的状态,可以用来进行交通流的预测。(2)应用支持向量机回归理论和方法,使用时间维度、空间维度和时空参数三种方式来对某一路段的交通流进行了预测分析和比较,证实了通过时空参数来进行预测,其误差要比用单一的状态向量小。(3)将传统的PageRank算法进行改进并应用到交通流的预测中,一定程度上解决了GPS数据不均匀、缺失、数据不准确的问题,通过GPS数据平滑,并将整个路网的全局交通状况对单个路段的影响考虑在内,对局部路段上的交通流进行了预测,提高了预测精度。最后根据得到的路网权值矩阵,进行最优路径选择,证实了方法的有效性。