短时交通流预测是实现智能交通控制与管理、交通流状态辨识和实时交通流诱导的前提及关键,也是智能化交通管理的客观需要。到目前为止,它的研究结果都不尽如人意。现有的以精确数学模型为基础的传统预测方法存在计算复杂、运算时间长、需要大量历史数据、预测精度不高等缺点。因此通过研究新型人工智能方法改进短期交通流预测具有一定的现实意义。本文在对现有短期交通流预测模型对比分析及交通流特性研究分析基础上,采用最小二乘支持向量机方法进行短期交通流预测模型,取得较好的效果。支持向量机是一种新的机器学习算法,建立在统计学习理论的基础上,采用结构风险最小化原则,具有预测能力强、全局最优化以及收敛速度快等特点,相比较以经验风险化为基础的神经网络学习算法有更好的理论依据和更好的泛化性能。对于支持向量机模型而言,其算法相对简单、运算时间短、预测精度较高,比较适用于交通流预测研究,特别是在引入最小二乘理论后,计算简化为求解一个线性方程组,同时精度也能得到保证。在最小二乘支持向量机理论的基础上、利用类似“滑动窗口”的概念,提出了一种新的在线算法,更新计算矩阵,并且通过“剪枝”,去除对模型影响较小的支持向量,并通过MATLAB7.0仿真实验验证了其算法有效性,在一定条件下,适用于短期交通流的预测。本文的主要工作如下：1.首先第一步理论分析得到支持向量机的特点,然后再引入最小二乘方法,对支持向量机的解法进行改进。在此基础上,使用经典的“剪枝”法,并进行计算机仿真,证明其方法的科学性。最后针对此方法不能进行更新的问题,提出一种类似“滑动窗口”的概念,利用矩阵理论,增加或者删除系数矩阵,实现在线更新的功能。改进的在线”剪枝”算法可以在保证一定的时间开销的情况下,达到较好的预测精度。2.最后通过一个实际的例子,以第三章的改进算法为核心,建立一个完整的短期交通流预测模型,并通过计算机仿真实验和误差分析,验证了模型的实用性和有效性。