机动车数量的快速增加以及城市化进程的扩展加剧了不断增长的交通需求与城市交通基础设施供应能力之间的矛盾。作为城市交通面临的巨大压力导致的社会问题之一,交通拥堵已经成为在交通管理领域中急需解决的严重挑战。能够缓解交通拥堵的最可行的措施是通过建立智能交通系统（Intelligent Transportation System,ITS）,以提高交通管理和服务效率。智能交通系统由一系列能够为交通管理者、车辆以及个别出行者提供多种服务的先进技术所组成,从而使交通系统的各个部分能够更好的协调,共享有用信息,做出及时正确的决策。交通流预测是在智能交通系统研究和应用中不可缺少的重要功能,如何实时准确地预测未来交通流已经成为交通管理科学领域中的一个研究热点。许多研究人员提出了多种交通流预测模型。然而,关于如何挖掘影响目标交通流的不同因素以及如何将此信息结合在预测模型中的研究仍然不足。为了提高交通流预测模型的性能,必须考虑与目标交通流有关的足够信息。在交通网络中相邻路段上的交通流之间存在明显的时空相关性。因此,正确估计此类相关性对提高交通流预测结果的准确性至关重要。针对交通流时空相关的非线性以及动态性分析,本文旨在提出一种基于时空相关分析的交通流预测方法。本文取得的主要研究成果如下:（1）本文提出了一种基于互信息度量的交通流时空相关非线性分析方法。交通流时间序列由在道路网络上安装的传感器收集的交通流数据组成。通过计算交通时间序列的原始列和滞后列之间的互信息（Mutual Information,MI）来估计相邻路段之间的时空相关性,使用基于互信息度量的特征选择算法确定将影响到目标路段交通流的相邻路段及其时间延迟,并选择将被输入到预测模型的预测变量。通过利用互信息度量计算出的加权距离,本文设计了一种基于时空相关性分析的KNN预测模型。（2）以捕捉交通流之间依赖关系的异质性为目的,本文提出了一种基于时空相关相似度的交通流聚类方法。为了评估交通流之间的短期相关性,计算目标交通流与相邻路段延迟时间序列之间的相关系数,以计算结果为元素构建时空相关矩阵。使用一种聚类算法CLARANS,将历史交通流模式划分为几个集群,使同一集群内的交通流模式具有类似的时空相关结构。（3）考虑路段之间时空相关性的非线性以及动态性,本文提出了一种先分类-后预测方法。此方法由离线阶段和在线阶段组成。在离线阶段,根据时空相关矩阵之间的相似度,将历史交通流数据划分为几个集群。然后,通过针对每个集群的时空相关性分析分别选择相应的预测变量,并从历史交通流数据库中组成训练样本。预测模型由多个同类模型组成,每个模型在相应的集群中分别进行训练。在在线阶段,将当前交通流模式分类为一个集群,并根据相应集群的预测变量组成的输入向量执行预测。（4）本文提出了一些时空相关性分析以及交通流量预测在交通管理中的应用模式。首先,通过引入基于互信息度量的相关性函数,本文开发了一种能够挖掘整个道路网络中时空相关性的方法。此方法可以为交通管理者提供与路段之间依赖性有关的有用信息。其次,基于时空相关性分析的交通流量预测方法以一种可以降低计算复杂度的方式得到扩展,从而能够预测一定范围内所有路段的交通流,进行预测性交通管理。此外,本文提出了一种用于分布式交通管理的交通网络分解模型。最后,本文建立了基于预测性交通信息的动态路径诱导模型。根据时空相关分析预测路段未来交通流并检测可能发生的交通拥堵,计算出行驶时间最短的路径并发送到行驶中的车辆。通过基于真实交通流数据的时空相关性分析以及预测实验来验证本文提出的方法。此外,采用真实道路地图进行交通仿真,以检验本文所提出的动态路径诱导模型与现有路径策略相比的优越性。实验以及仿真结果表明,此方法通过捕捉交通流之间的非线性动态时空相关,为预测模型提供更加准确的预测变量,从而能够达到良好的预测精度,帮助提高智能交通管理的效率。