随着城市化的不断发展,世界各国城市人口和汽车数量在逐年增长,而大多数城市的基础交通建设已经不能满足人们的出行需求,过多的汽车造成城市交通超负荷运行,进而容易引发交通拥堵。交通拥堵不仅浪费人们的出行时间和增加不必要的出行费用,而且还大幅度增加了汽车尾气的排放量,造成大气污染和温室效应的加剧。因此,缓解交通拥堵是目前需要着重解决的问题。在这种情况下,如何根据交通数据准确地划分交通状态、判定交通拥堵级别,并进一步实现对交通流数据的预测成为一项重要的研究课题。近几年,人工智能利用其自身巨大的优越性在各个领域得到了迅速发展,并取得了良好的应用效果。因此,本文运用人工智能技术对交通拥堵判别和交通流预测进行仿真实验和算法改进研究。论文的核心内容部分分为两部分:第一部分,基于模糊C均值（Fuzzy C-Means,FCM）聚类算法的改进算法对交通流数据聚类划分出不同交通状态,并判定交通拥堵级别;第二部分,基于经验模态分解（Empirical Mode Decomposition,EMD）和循环神经网络结合的改进算法对交通流数据进行预测。首先,根据对交通流参数的特征分析,选择车流量、道路空间占有率和车辆平均速度作为本文的交通流数据的特征值。对原始交通流数据进行预处理。然后,根据交通状态的模糊性的特点采用FCM算法对交通状态进行划分。并针对该算法不稳定和容易陷入局部最优解的缺点进行改进,提出一种基于布谷鸟搜索算法（Cuckoo Search,CS）和Canopy算法优化的FCM聚类算法判别交通拥堵。改进算法能自动确定聚类数目,改善局部最优解现象,并且收敛效果更好、稳定性更高。最后,采用EMD和循环神经网络结合的算法对交通流数据进行预测。该部分先介绍了循环神经网络结构及其两种变形:长短期记忆（Long Short-Term Memory,LSTM）和门控循环单元（Gated Recurrent Unit,GRU）。然后,结合经验模态分解,提出基于时空特性的交通流预测模型,经过对比几种算法的误差性能指标,得出EMD-GRU算法的预测效果更好。并在EMD-GRU算法基础上,提出集总平均经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）,进一步提高交通流预测的准确率。