近年来,城市化进程和交通建设快速发展,智能交通系统受到越来越多的关注,它被认为是解决城市交通问题最有力的手段。交通流量预测是组成智能交通系统的一个关键成分,准确实时的交通流量预测可以诱导车辆的出行,缓解交通压力。本文提出一种基于马尔科夫随机场的短时交通流量的预测模型,其主要研究内容如下:通过分析实际交通流量数据,确定交通流量的时空关系和周期性表现。针对原始数据中由于采集设备故障而导致数据缺失和异常的状况,本文使用均值插补法和移动平均模型对数据中的缺失和异常进行处理,以提高预测的准确性。另外,交叉口路径流量具有时空及周期特性,基于此构建了交叉口的时空马尔科夫随机场模型。为了确定模型的联合概率分布,本文通过将马尔科夫随机场模型转化为因子图的方式得到联合概率分布的具体表达。而在模型的求解上,采用了极大似然估计的方法获得模型的参数。由此进行了基于马尔科夫随机场的短时交通流量预测。因交通数据极其庞大,使得数据存储变得困难,并且训练模型的时间复杂度变高。另外,社会经济的发展让交通流量的模式也发生变化,导致过去的模型难以适应新模式下流量的变化。针对这一问题,本文提出一种基于马尔科夫随机场的在线学习方式进行交通流量预测。这种在线学习方法可以很好的适应交通流量模式的变化,同时也能减轻模型训练的时间复杂程度,降低数据存储的难度。本文采用了模拟数据和英国高速公路交通数据集来验证模型,采用绝对误差(MAE)及平均相对误差(MAPE)等评价标准,证明了基于马尔科夫随机场模型的有效性。由于非工作日和工作日的交通流量数据有很大的区别,因此,本文考虑了包含非工作日和不包含非工作日两种不同情况下的流量预测,并将该两种情况下的流量预测算法与其他算法进行对比,证明了所提算法的鲁棒性和有效性。