伴随着社会经济的飞速发展,城市规模的不断扩大,汽车保有量也随之快速增长。汽车在给人们的生活带来便捷的同时,也带来了诸如环境污染严重、交通拥堵和交通事故频发、能源短缺等严峻的社会问题。智能交通系统是现今全球公认的提升道路通行效率和管理交通拥堵问题的有效措施。而在其关键构成中,交通流的预测在为实现城市道路的实时控制和智能管理中起着举足轻重的地位。要取得对城市路网的实时控制好的效果,需要有精准的、实时的交通流预测。在本文中,对城市道路交通流数据进行了深入的挖掘,综合考虑了数据挖掘模型的特性和交通流数据的特征,采用了线性回归模型和M5P模型树对短时交通流数据中具有代表性的流量和速度特征数据进行预测。首先基于Python读取交通流数据原始信息,结合交通数据的时空特征和交通机理知识选取用于智能交通系统中进行预测的常用的交通流量、车速、占有率和车头时距等参数指标,对数据中的“脏数据”主要遵循数据处理原则结合交通时段分析进行处理,其中采用阈值法结合交通机理知识剔除异常数据;基于道路历史数据、相邻路段信息和线性差值法处理缺失数据;简约冗余数据。对交通流数据进行合理的预处理,为后续的预测提供了确切可信的数据支撑。然后依据交通数据具有较强的时间关联性这一特性,提出基于weka的时间序列环境TimeseriesForecasting运用数据挖掘算法中的M5P模型树和线性回归模型Linear Regression Model对短时交通流量和速度进行预测。其中线性回归模型用到了优化Ridge参数的线性回归,其在weka中实现为使用的元学习器CVParameterSelection对Ridge进行参数自动调节,找到最佳的R值,提高模型的泛化能力。预测数据为典型道路历史数据及其关联道路数据,分别使用道路历史数据和关联道路数据对交通流数据中的流量和速度进行预测,预测过程为数据预处理、样本界定、特征挖掘、样本生成、模型训练、结果表达和评估。其中模型训练和评估使用90%的样本数据。对模型预测的绝对平均误差进行比较分析,得出M5P模型树的预测效果较好。同时最佳的预测方案为基于道路历史数据预测流量,基于关联道路数据预测速度。最后,对M5P模型树结合评估方案基于留存的对应10%的样本数据进行模型验证,得出使用M5P模型树对于交通流数据中的速度和流量预测效果都较好。