交通拥堵已经成为世界上许多城市面临的棘手问题。近些年来,有关部门将缓解交通堵塞的重点从道路基础设施建设和密集型运输策略转向更加均衡和协调的交通解决方案,如智慧交通系统(ITS)等。现有的交通解决方案往往只局限于估计当前时刻的交通状况,而在交通流预测方面准确度不高,商业化的实际应用很少。为了提高交通流预测的准确性,实现更有效的交通疏导和控制,本文针对交通流短期预测模型进行研究。交通流的内部动力学机制是一个复杂的非线性过程。现有研究多数是基于一个模型(线性的或非线性的)去预测。本文首次提出,用两个模型以小波分解的方式进行分解及综合,以达到对原非线性过程更准确的近似。具体地,可将交通流序列分解为基序列和偏离序列,分别对这两个序列基于某种模型进行预测,综合其结果得到对交通流的最终预测。基于此思想,本文提出了三种预测模型:1、基预测模型,即将偏离当作干扰直接舍去,将基序列的预测作为对交通流最终预测;2、分合预测模型,即分别对基和偏离进行预测,二者的预测结果再进行综合得到最终预测;3、整体预测模型,即不分解,直接基于某个模型对原序列进行预测,现有的预测方法基本都属于这一类。在三种预测模型的框架下,本文以卡尔曼滤波作为线性预测算法的代表,以局部加权偏最小二乘算法作为非线性预测算法的代表,分别对基序列和偏离序列进行预测。由于模型参数未知,经典的卡尔曼滤波不能直接用于交通流预测。本文提出了一种基于卡尔曼滤波的预测算法,将时变的模型参数作为状态空间方程中的状态变量,从而可以利用卡尔曼滤波原理进行预测。局部加权偏最小二乘算法是结合Just In Time建模思想,用随时间变化的局部线性模型来近似非线性过程。为了评估所提出的预测模型的性能,本文还研究了一种基于相似性特征的短期交通流预测算法。本文用台湾省台北市和新竹市的实际交通观测数据,对基于不同预测算法的各种预测模型以及基于相似性特征的短期预测算法的预测性能进行评估。结果表明,基于卡尔曼滤波算法的分合预测模型的预测结果最优,绝对百分比误差(MAPE)比整体预测模型提高1.16%到2.5%。