智能交通系统通过对交通流进行控制和诱导来缓解交通拥堵,短时交通流预测在该系统中为交通流的控制和诱导提供有效的数据支持。人工神经网络具备良好的非线性映射和自学习能力,目前已被广泛应用于短时交通流量预测,但现有算法的预测精度通常难以满足智能交通系统的需求。本文主要研究BP神经网络和卷积神经网络在短时交通流量预测方面的应用,致力于在提升预测精度的同时尽可能减少计算量,主要研究工作如下:1)提出基于模糊C均值聚类和BP神经网络组合模型的短时交通流量预测算法,该算法通过聚类算法对交通流量进行准确的模式划分,为每种流量模式构建相应的BP神经网络预测模型,并以所有预测模型预测值的加权和作为预测结果。实验表明,上述算法对流量的模式划分合理,预测精度高于传统的BP神经网络预测算法和现有的组合模型预测算法,具备一定的实用价值。2)提出上述组合模型预测算法的改进算法,使用田口试验设计法进行试验设计,通过分析试验结果,得到组合预测模型结构参数的最佳取值,以此最佳参数取值来执行上述基于组合模型的算法来进行短时交通流量预测。实验表明,该改进算法的预测精度得到进一步提升,且参数优化过程的计算量小,能够从一定程度上解决使用遗传算法优化参数时计算量过大的问题。3)提出基于卷积神经网络的短时交通流量预测算法,将卷积神经网络应用于交通流量预测,综合考虑预测路段及其上下游路段流量,使输入数据扩展到二维以满足卷积神经网络的输入格式,并根据输入数据的特点来设计卷积神经网络预测模型的结构。实验表明,该算法的预测精度高于基于单一预测模型的BP神经网络算法,在一定程度上好于现有的基于组合预测模型的算法。