在国际社会中,对交通数据的短期预测研究一直很活跃。交通工程学者在这一领域过去的几十年的研究中,做出了大量的研究工作,并取得了一些显着的成果。在前人的基础上,本文主要对短期交通数据预测做进一步的研究:　　(1)对交通工程研究综述,阐明了在城市交通控制系统,交通拥堵的自动识别和智能交通系统(ITS)子系统在交通诱导系统中短时交通数据预测的重要地位。　　(2)针对城市路网流量的时间和空间分布,分析了交通流数据的主要特点,而且对实测数据进行了统计分析,对异常情况进行了分类,并按不同情况对数据进行了预处理。　　(3)重点介绍了现有常用的交通流数据预测方法,分析了各种预测方法的特点和不足,指出了其适用的情况。这些方法主要包括:指数平滑方法、ARMA预测模型、BP神经网络预测方法和遗传算法。　　(4)在现有预测模型的基础上,结合交通数据的特性,应用检测器实测数据进行建模分析,并对预测时域的划分方法进行改进,提出了一种基于数据拟合函数拐点划分预测区间的方法。该方法比按照固定时域划分更符合实际,且能够精确判断出该路段的早晚高峰,降低了预测模型复杂度,使预测模型由非线性变为线性,此法相较于其他划分方法预测精度更高。另外,本文分别采用指数平滑、ARMA自回归移动平均、BP神经网络等模型方法进行预测。最后,使用遗传算法对上述各个预测结果进行二次预测,并对现有预测模型和遗传算法预测模型的预测结果进行对比分析。在此基础上,指出各种模型的优点、不足和需要进一步研究的问题,并对交通流数据短时预测的发展进行了展望。