智能交通系统是缓解道路交通拥堵、减少交通事故和提高交通运行效率的重要应用系统。实时准确可靠的交通流量预测是实现智能交通系统控制和诱导的关键内容,具有重大的理论研究和实际应用价值。本文以短时交通流量预测为研究主题,总结了短时交通流预测的研究现状,在学习交通流预测原理和支持向量回归(Support Vector Regression, SVR)理论的基础上,对基于SVR的短时交通流预测模型中参数选择问题进行了探讨和研究,运用群智能优化方法进行最优参数选择,并且仿真实际数据来验证提出的预测模型。本文的主要工作如下：1.对人工鱼群算法优化支持向量回归的参数选择模型进行研究。针对支持向量回归的惩罚系数、不敏感损失系数和核函数参数的选择对回归算法的预测精度的重要影响,结合交通流数据特征,本文运用人工鱼群算法对支持向量回归参数进行优化选择,同时引入人工鱼群算法中感知视野和移动步长参数的自适应搜索机制,建立了基于人工鱼群算法优化支持向量回归的短时交通流预测模型。实际数据的仿真实验和模型的对比结果表明了提出的回归预测模型的可行性和有效性。2.对混合粒子群人工鱼群算法优化支持向量回归的参数选择模型进行研究。在人工鱼群算法优化支持向量回归的预测模型的研究基础上,为解决人工鱼群算法中的初始参数较多问题以及步长因子设置对寻优性能的影响,本文提出采用粒子群优化算法对人工鱼群算法进行改进,减少了步长因子对人工鱼群算法影响,并且引入混沌机制初始化人工鱼群位置信息,从而对支持向量回归进行参数选择,建立了基于混合粒子群人工鱼群优化支持向量回归的短时交通流预测模型。通过仿真实验分析,提出的混合优化预测模型比单一的粒子群和人工鱼群算法优化支持向量回归预测模型有更优的预测性能。