随着城市化的进展以及汽车工业的发展,交通问题已成为当今社会的严重问题。智能交通系统是目前国际公认的解决城市以及高速公路交通拥挤、提高运行效率、减少空气污染的最佳途径。而智能交通系统对交通流进行控制和诱导的前提及关键是准确的短时交通流预测。本文主要研究了基于对路段上交通流控制和诱导的主要交通流参数(包括车流量、平均车速和车道占有率)的数据挖掘技术在短时交通流预测中的应用。为了提高预测的准确率,在进行数据挖掘前,先对数据集分别进行数据修补、离散化和符号化、以及交通时段划分等预处理,给出了一种基于关联规则挖掘算法,对问题数据进行修补的方法,并通过实验证明GSP算法的执行效率明显优于Apriori算法。然后,基于对预测实时性的考虑,选择执行效率相对较高的PrefixSpan算法,以预处理后的历史交通流数据为挖掘对象进行序列模式挖掘,利用生成的频繁序列对下一时刻的交通流情况进行预测。由于PrefixSpan算法本身的特性,不适合对多时刻的短时交通流预测,因此,对PrefixSpan算法进行了改进,并用太阳黑子预测实验证明改进算法对时间序列挖掘的适用性。最后,重点研究了改进后的PrefixSpan算法,在短时交通流多时刻预测上的应用。实验表明,该算法对未来若干时刻交通流的情况起了较好的预测效果,有利于对交通的控制和交通流的诱导,可对智能交通系统进行完善。