道路短期交通流预测是智能交通系统的核心内容,也是实现道路交通控制和交通流诱导的重要基础。实时准确的短期交通流预测有助于缓解道路交通拥挤,提高道路通行能力并改善交通安全状况。然而,道路短期交通流具有高度的不确定性和非线性,很难建立合适的数学模型。为此,本文选用神经网络建立短期交通流预测模型,主要研究工作内容如下：首先,在研究BP神经网络的基础上,提出了路段短期交通流预测方案,详细分析了建模过程及模型的预测性能,同时对BP神经网络隐含层神经元个数的选择及数据预处理等问题进行了讨论,给出了提高网络收敛速度的方法。其次,针对BP神经网络初始权阈值设置敏感、易陷入局部极小值等不足,采用擅长全局搜索的遗传算法对BP神经网络的初始权阈值进行优化,再进行BP神经网络的学习和训练,提高了模型的预测性能。最后,以西安市南二环实测短期交通流数据为样本进行预测仿真,结果表明：BP神经网络预测模型不需要设计任何数学模型,算法结构简单,预测精度基本满足短期交通流预测的要求；改进后的遗传神经网络预测模型继承了BP神经网络极强的学习、训练能力,很好的避开了BP神经网络的弊端,同时提高了网络模型的预测精度。