随着经济发展和社会不断城市化，交通拥堵以及交通污染等问题日益严重，所以作为交通诱导以及交通控制系统决策支持的短时交通流预测研究就显得格外重要。　　本文重点分析了国内外在短时交通流预测领域的研究，总结了短时交通流不确定性，周期性以及非线性等特点，建立了基于统计理论的时间序列预测模型，以及基于人工智能发展起来的BP神经网络预测模型和基于遗传算法的BP神经网络预测模型。最后采用实际交通流数据对预测模型进行仿真实验和精度检验，考虑短时交通流时间序列的相关性以及周期性对ARIMA预测模型精度影响，在其基础上提出了乘法季节ARIMA模型并进行应用分析;针对BP神经网络隐含层数难以确定的难题，采用了多次预测选取最优进行模型结构选择和应用;以遗传算法解决BP神经网络权值寻优，并对基于遗传算法的BP神经网络预测模型进行仿真应用。通过对比三种不同预测模型在同一数据集的预测误差，发现乘法季节ARIMA模型优于BP神经网络预测模型，但基于遗传算法的BP神经网络预测模型相比于其他模型显示出了更好的预测精度和预测效果。所以认为采用遗传算法对BP神经网络进行优化并应用于短时交通流预测领域是可行的，为实时交通诱导和决策提供了支持，能够较为准确地提供交通流预测信息，从而帮助缓解交通压力。