随着人们生活水平的不断提高,城市出行也愈发显得多样化,日益庞大的出行量给当下的交通系统造成了巨大的压力,在此背景下智能交通控制系统(Intelligent Transportation System,ITS)应运而生并获得快速发展。其中,城市短时车流量预测(Short-term Traffic Flow Prediction)作为智能交通控制系统中的一个重要环节和分支显得尤为重要。然后车联网(Vehicular Ad-Hoc Network,VANET)通过V2X传输协议和无线通信实现在车与车、车与路、车与人和车与互联网之间的互联,以保障信息动态交互和车辆智能控制。5G移动网络具有高速率、低延时等众多优点,本文通过将车联网与5G网络相结合设计出一种基于5G车联网交通流预测模型,致力于推动ITS获得突破性发展。首先,针对KNN算法用于短时交通流预测中预测效率不高的问题,本文提出了一种改进的基于非参数回归的KNN短时交通流预测方法,该方法基于非参数回归的思想,通过KNN算法先在非预测时间段内,从历史数据中为系统寻找与当前状态相似的候选输入数据;然后在预测点从候选输入数据中识别用于预测的最佳决策输入数据;最后利用最佳决策输入数据通过预测算法生成预测。其次,为了解决基于神经网络的预测模型在用于短时交通流的预测中,循环神经网络RNN的梯度比较容易出现消失或爆炸的问题,提出了一种基于KNN与长短期记忆网络LSTM结合的短时交通流预测方法。该方法采用KNN算法对预测目标所在区域的路段进行相似性筛选,通过设置不同的阀值,筛选出与目标监测点最相似的K个检测点。然后将筛选出的K个检测点数据输入到LSTM模型进行交通流预测,以误差最小时对应的K值的预测结果作为最终的短时交通预测流量。最后,针对本文提出的两种短时交通流预测方法,在结合5G移动网络技术和车联网技术的基础上,设计了预测模型在实际场景中的应用解决方案,该应用包含了信息采集、交通流预测和信息发布三个模块。