交通作为人类生活中最常用、最普遍,也是最复杂、最具挑战性的内容之一,从古到今,一直在随着时代的不断变迁和社会的不断进步发生着变化。面对当今世界全球化、信息化发展趋势,传统的交通技术和手段已不适应经济社会发展的要求。智能交通系统是交通事业发展的必然选择,是交通事业的一场革命。交通控制与诱导系统是智能交通系统研究的热门核心课题,而实现交通控制与诱导的关键问题之一是实时准确的短时交通流预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟至十几分钟内的交通状况。本文研究云环境下的城市短时交通流预测的关键技术及算法实现。主要解决城市复杂路网环境下短时交通流预测的准确度和预测速度两个问题。针对城市交通流的时空相似性,提出一种基于交通流时空相似性的K近邻非参数回归预测模型（K-Nearest Neighbors model based on Spatio-Temporal Similarity of Traffic based,STS-KNN）,该模型改进了非参数回归模型中用于搜索邻域的状态向量和距离度量函数,能够更准确的描述交通流的时空特征,从而提高预测的准确度。然后为了解决STS-KNN模型搜索历史交通流数据的性能瓶颈问题,提出一种云存储环境下基于改进四叉树编码方法的分布式空间索引——M-Quadtree（M:Modified）索引,使多维的浮动车轨迹数据能够在一维的云存储环境中高效存储和查询。最后为了解决针对交通大数据的处理速度问题,以M-Quadtree索引为基础,设计一钟通用的基于MapReduce的交通数据并行挖掘框架（MapReduce Framework for Traffic Data Parallel Mining,MF-TDPM）,并利用该框架实现 STS-KNN模型的并行化,开发一钟基于MapReduce的多路段短时交通流预测并行算法MSTS-KNN。具体研究如下:（1）提出一种基于交通流时空相似性的K近邻非参数回归预测模型STS-KNN。改进传统非参数回归预测模型中的状态向量和距离度量函数等关键要素,借助图论的基础理论,提出“交通流时空相似性”和“流量相似度”等概念,设计基于交通流时空相似性的状态向量STSV（Spaial-Temporal State Vector）,定义基于交通流时空状态向量的时空相似距离STD（Spatial-Temporal Distance）。在此基础上,提出一种基于交通流时空相似性的非参数回归预测模型——STS-KNN模型。该模型具有两点优势:（1）相对于其他参数化的预测方法,该模型没有固定的参数,完全由历史数据驱动,且不依赖总体的分布形式,适合城市不同区域复杂的路网环境;（2）相对于现有的非参数回归预测方法,该模型不仅从时空维度上考虑了过去时段和周围路段对目标路段交通状态的影响,还使用“流量相似度”度量了周围路段的影响权重,并作为一个重要因素引入了预测模型中,取得了较好的预测结果。（2）提出一种云存储环境下基于改进四叉树编码方法的分布式空间索引M-Quadtree。基于数据驱动的短时交通流预测需要频繁的从海量的历史交通数据中搜索与当前状态匹配的数据,搜索的性能会严重影响预测算法的时间效率。本文利用云存储管理浮动车轨迹数据,提高交通流的存储查询效率。首先根据云存储环境对数据均衡性的要求,将传统四叉树划分的4种编码拓展为12种,设计一种M-Quadtree划分方法。基于此划分方法,提出一种适用于云存储环境下的分布式空间索引——M-Quadtree索引。该索引立足于解决基于“键-值”模型的云存储环境仅支持简单的关键字查询,不支持多维空间查询的问题;并改进传统的多维索引——四叉树索引需要递归建立的缺陷,使四叉树索引能够在云环境中并行建立,从而提高多维时空轨迹数据的查询搜索效率。（3）提出一种基于MapReduce的城市短时交通流预测并行算法MSTS-KNN。为了解决在面对城市交通大数据时,短时交通流预测算法的搜索性能瓶颈问题,针对城市浮动车数据的特点,在M-Quadtree分布式空间索引的基础上,设计一套通用的基于MapReduce的交通数据并行挖掘框架MF-TDPM,并将STS-KNN模型在MF-TDPM框架下实现,开发一种多路段短时交通流预测并行算法——MSTS-KNN算法。实验结果表明,该算法可以使短时交通流预测满足城市交通管理者和出行者的实时性需求。同时MF-TDPM框架和MSTS-KNN算法也为其他类似算法在云环境下的并行化提供参考。