随着社会经济和交通事业的发展,交通问题越来越引起人们的关注,道路交通问题不仅影响着人们的出行效率和安全,也影响到物流的发展,多年来专家学者致力于利用多种技术组建智能交通系统(ITS)来缓解交通问题,动态路径诱导系统是ITS的核心组成部分。可靠的交通预测信息是动态路径诱导系统的基础和关键,交通流数据具有高度的复杂性和非线性特性,如何提高交通流预测的精度和适用性一直是智能交通系统研究的重要课题。混沌理论从非线性的角度考虑系统的内部动力特性和细节奇异特征,它们适合于进行短时交通流的最小预测尺度研究;RBF神经网络具有全局逼近和最佳逼近性能的优点,同时训练方法快速易行,不存在局部最优等特点,能较好拟合出相空间中混沌吸引子的演化轨迹,这样就可以更好的根据历史数据对未来进行预测。本文在分析交通流预测理论的基础上,提出从非线性时间序列预测的角度对交通流量预测进行研究,采用相空间重构与神经网络方法相结合的方法对带有混沌特性的短时交通流数据的进行预测。通过构建合理的预测模型,给出了短时交通流量的预测方法,在短时交通流预测领域进行了一次有益的尝试,并用此模型,对城市某道路路段短时交通流量进行预测,取得了较为满意的效果。