实时准确的交通流预测是实现智能交通诱导的前提和关键,也是智能交通系统的主要组成部分。早期研究人员利用微积分和概率论等基本数学工具开发了几种基本的短时交通流预测模型,这些模型主要包括趋势外推法、时间序列法、回归分析法等。然而,城市道路交通系统是一个有人参与的非平稳随机系统,具有时空相关性、非线性等特点。天气情况、驾驶员状态、突发性事件等都会对交通系统的性能产生影响,因此传统的方法预测效果并不理想,这使得人工智能理论越来越受到人们的关注。支持向量回归机(SVR)是一种基于统计理论的新兴机器学习方法。它坚持结构风险最小化的构建原则,能够在小样本学习环境下有效解决非线性复杂系统的拟合问题,在短时交通流预测中表现出了优越的性能。大量实验表明,其预测精度相对于神经网络和传统线性预测方法具有明显的优势。本文分析了参数选择对支持向量回归机性能的影响以及不同参数优化算法的优劣势,在此基础上选择模拟退火算法(SA)对SVR的参数行进优化,进而提出了基于SA-SVR的短时交通流预测模型。该模型将支持向量回归机的结构风险最小化特点和模拟退火算法的快速全局寻优优势相结合,在实时性和精度两个方面达到了短时交通流预测的要求。实验表明,该预测模型的平均相对预测误差为4.96%,最大相对预测误差为9.81%。随着训练样本规模的增大,传统SVR训练算法的时间和空间复杂度急剧增加,以至于这些算法的单机实现在具体应用中往往会失效。本文从“迭代”和“并行”两个角度详细阐述了解决这一问题的具体算法,并将MapReduce分布式处理框架与大规模SVR训练算法的“迭代”思想相结合,提出了Hadoop环境下大规模SVR训练算法,进而构建了Hadoop环境下SA-SVR短时交通流预测模型,在保证预测精度的情况下进一步提高了短时交通流预测的实时性。实验表明,在训练样本数量为100000的情况下,该并行算法相对单机算法的加速比达到了16.03,平均相对预测误差为5.20%,最大相对预测误差为10.70%。