近年来,随着我国城镇化建设步伐加快、以及人们生活水平的不断提高,越来越多的市民以汽车作为了出行的第一选择。据交通部估计,到2020年,我国汽车保有量将达到2.2亿辆,这对我国的道路服务水平、道路建设提出了更高要求和巨大挑战。随着对交通流的研究深入,研究人员提出了“智能交通系统(ITS)”概念,即在现有交通设施的基础上,最优化地规划交通流,节省人力物力,缓解交通拥堵,减少污染,因此对ITS的研究具有十分重要的意义。为了使出行人员及时了解交通信息,提前规划路径、选择最佳出行方式,短时交通状态的预测研究逐渐成为了ITS的研究热点。论文以预测路段未来短时内的交通状态作为研究课题,从交通流特性、预测模型分析及构建、预测结果评价三方面进行深入。本文以路段数据站所采集的数据序列为基础,通过对其进行分析,进一步了解交通流在时间轴上的变化特点,可知,交通流是一种时变的、非线性的随机过程。然而传统预测模型往往是对交通状态进行定量确定性的预测,仅对交通流静态信息进行研究,忽略了交通流的动态特点。基于此,本文利用隐马尔科夫(HMM)统计模型对交通状态进行预测。首先,论文对模型参数进行构造,对预测窗口内的数据序列进行统计分析,得到其平均值和对比度,从而得到模型的隐状态。并设定预测窗口开始时刻测得值对应的取值区间作为观察状态。从而构造出了隐状态和观察状态集合。其次,利用HMM中的EM算法,利用所采集的训练数据对模型的参数进行训练,得到模型参数,包括状态转移矩阵、发生矩阵、初始状态概率分布,并结合交通流的特点对参数进行分析。然后,在所获得的模型基础上,分别结合不同交通参数的验证数据集,利用隐马尔科夫模型对短时交通状态进行了预测,并利用本论文提出的评价方法对各参数预测结果进行比较分析。