近年来,智能交通系统蓬勃发展,已经成为了人们日常出行的可靠保障。短时、实时的交通流预测是实现交通管理和车辆诱导的重要基础,也是智能交通系统领域的一个重要研究内容。大数据时代的发展也带来了交通数据的爆炸式增长,在海量的交通流大数据的背景下,如何做到实时准确的预测成为了一个新的问题。本文对高速路采集的大规模数据集下短时交通流的实时预测进行了深入的研究、分析和实验。主要的研究工作有以下几点:(1)为了提高挖掘和预测模型的准确性,需要对采集的交通数据流信息进行预处理,本文针对这一特定的数据进行分析,进行了缺失填补、错误修正和符号离散化等ETL(Extract-Transform-Load)处理。(2)在当前大数据环境的背景下,提出了一种能够实时挖掘交通流数据频繁闭合模式的算法—TP-Moment(Moment of Topology)。算法基于Topology的并行计算模型对传统的Moment算法进行了改进。实验证明,在大规模数据集的环境下,算法的时间和空间等性能得到很大提升,能够快速准确地挖掘出所有有效模式,很好的满足交通流预测的准确性和实时性要求。(3)在TP-Moment算法的基础上,提出了基于历史频繁模式的短时交通流预测模型。挖掘历史交通流数据存在的频繁模式规则,与获得的实时交通流信息进行最近邻规则的匹配,从而预测未来时刻的交通流状况。实验证明,该预测模型具有较高的预测精度,有效可行。