智能交通系统(ITS)是目前缓解城市交通压力、减少环境污染的一种有效、新型的方法。交通流量预测是智能交通系统的重要组成部分,其中短时交通流量预测是交通流量预测中主要的研究内容,及时获取短时交通流量预测的信息有助于保障交叉路口的畅通。因此如何获取准确的短时交通流量预测信息是保证交通有效运行的关键。根据城市路况交通流量高度的非线性和不确定性等特点以及以往交通流量预测的方法,本文在对神经网络研究的基础上建立了基于BP神经网络的短时交通流量预测模型,通过仿真实验验证了梯度下降法的不足,使用LM学习算法作为BP神经网络的训练算法,并通过仿真实例验证了该算法的可行性。为了克服BP神经网络因初始参数选取不当而造成易陷入局部极小点的缺点,将智能优化算法引入到优化BP神经网络的初始参数中,分别介绍了粒子群优化算法和遗传算法的基本原理以及它们的改进算法,并利用这些智能算法优化BP神经网络的初始权值和阈值,在此基础上分别建立了基于PSO-BP、MPSO-BP、IAGA-BP神经网络的短时交通流量预测模型,仿真结果表明基于智能算法优化后的神经网络的短时交通流量预测模型预测精度得到了提高。最后对文章中提到的预测算法作了分析总结,并将遗传算法的思想引入到粒子群算法中,提出了APSO算法,该算法结合了粒子群算法和遗传算法的优点,在此基础上建立了基于APSO-BP神经网络的短时交通流量预测模型,仿真结果表明该预测模型具有更高的预测精度。