随着社会经济和交通运输的不断发展,越来越多的人开始关注交通所带来的问题,交通问题不仅影响到大家的出行效率和安全,也影响到社会的发展。智能交通系统(ITS)是现阶段解决交通问题的一种有效的方向,尤其对解决交通压力和对环境的保护有一定作用。交通流是ITS的最主要研究内容之一,短期交通流预测的研究是其热点研究方向,而获得实时交通流数据是对路段畅通的有效手段。因此对如何取得准确的交通流是本文研究的主要内容。论文首先从短时交通流理论展开剖析,主要将短时交通流的特点以及其理论模型进行整理研究,并对各类模型的优缺点进行评价;为了更好的利用短时交通流时间序列的变化规律,从而引入分析理论进行论证,并通过分析发现交通流存在自相关性特点;以短时交通流时间序列的自相似性作为切入点,建立了NARX神经网络预测模型。同时对神经网络理论及BP神经网络的基本原理进行了分析,通过把BP神经网络与NARX神经网络的对比分析,发现在对时间序列预测方面,NARX神经网络的优越性高于BP神经网络,具有反馈与记忆功能,这有利于将时间序列历史数据与当前数据间的关系进行结合。针对NARX神经网络模型对短时交通预测是否适用,本文引用了交通流数据缺失作为案例对其可行性进行验证。NARX神经网络将交通流量的历史数据作为输入输出进行训练、测试、验证,再对缺失数据的交通流进行预测,最后将预测值与实际值进行误差对比分析,最终验证其误差小,预测结果精度高。