实时、准确、高效的预测结果,是智能交通能否服务于交通管理和公众出行的关键。智能交通的快速发展产生了大量的、多源的、异构的交通数据,然而现有的城市交通流短时预测方法主要是基于时间序列的分析思路。针对复杂多变的城市道路交通状况,有必要探讨如何从海量的数据中挖掘出交通流数据中的内在规律,从而有效的服务于交通流短时预测。本文在研究交通流短时预测的研究背景、意义以及国内外现状的基础上,分别从数据质量问题、空间数据挖掘问题和时间序列挖掘三方面展开论文的研究内容。根据交通流检测器设备故障和道路网复杂的不确定性等因素的影响,提出了数据预处理的必要性。通过孤立点检测算法识别伪错误数据,综合交通流机理和阈值方法判别出错误数据,并采用历史估计方法进行修复;丢失数据的识别和补齐均采用EM算法,最后通过自适应指数平滑滤波获取高质量的数据基础。根据交通流数据的时空特性,分别从空间数据挖掘和时间序列挖掘两个角度寻找数据状态变化的内在规律,在此基础上实现对交通流的短时预测。空间数据挖掘采用基于系统聚类的空间挖掘方法,对城市区域路网进行划分,采用支持向量机模型实现交通流短时预测,选择适合的核函数和参数寻优方法实现交通流短时预测的最佳效果。时间序列挖掘侧重研究时间序列分割,通过分割提取时间序列特征,提出了基于SAGA-FCM的时间序列分割方法,将分割后的时间段分别采用支持向量机进行预测,并对最佳聚类分割次数进行了探讨,得到了理想的预测效果。