随着城市化的不断发展,城市中交通流量的快速增长与道路基础设施增长缓慢之间的矛盾越来越凸显。尤其是特大城市的拥堵现象越来越严重,这已经严重制约我国的城市交通可持续发展战略的继续推进。智能城市交通系统(ITS)被看作是缓解这些问题的有效方法之一。因此,本文以多断面相似性为基础,讨论了交通流区间预测方法。本文研究的思路是基于已经获取的历史数据,以现有的交通流预测技术为蓝本,对交通流数据变化规律进行分析,研究其发展趋势并进行归纳,以达到对未来交通流的变化趋向进行准确预测的目的。本文主要研究工作如下:(1)针对交通流数据的内在相关性进行了分析,主要以时间序列为工具讨论并处理交通流数据的相关性及其特征。(2)针对交通流数据的断面相关性进行了分析,把两个或者多个相邻点看作一个整体,分析其临近点交通流的变化趋势以及引起变化的多种因素,提出了基于多断面相关性的预测算法,并给了相应的分析方法。(3)结合以上基于时间与空间相关性分析方法,改进了常规交通流预测算法,对其点预测结果进行置信区间计算,从而得到预测区间,提出了基于多断面相关性的交通流区间预测算法,该预测方法的模型主体是支持向量机(SVM)回归模型。(4)针对以上预测方法做了进一步的改进与增强,引入了Boosting增强算法。该算法通过使用重采样技术来进行自动的权值重置和组合,经过多次选择并训练数据,希望能够提高分类器性能。其核心思想是在训练新的分类器时,着重训练那些相对更难被正确分类的样本。