在城市智能交通的建设中,交通路口的信号控制是交通控制的一个重要方法,其理论与应用也在不断向前发展。交通流是一个高维度、实时、非线性、非平稳的随机过程,同时,数据量巨大以及数据噪声严重等问题也给交通流信号控制带来了巨大的挑战。本文提出了一个基于短时交通流预测的面向单路口的信号配时控制算去,以提高路口交通的车辆通行率。交通路口的信号控制通常是基于路口车辆到达率的预测来实现的,通过挖掘道路车流量的时间序列规律,构建机器学习模型来实现车流量短时预测。支持向量机是以统计学习理论基础和以结构风险最小化为原则的一种新型机器学习方法,通过采取非线性变换将问题转换到高维的特征空间与结构风险最小化,可以应对交通流的非线性及高维度等特点,弥补先验知识不足,提高交通路口短时车流量预测准确度,保证信号控制系统的有效性。本文对交通信号控制的关键技术做了全面研究分析,包括车流数据采集,车流量数据预处理,短时车流量预测以及单路口信号配时。其中短时车流量预测和单路口信号配时是核心,决定着信号控制系统的可行性。本文对车流数据先进行基于概率统计数据识别,然后进行基于时间序列的修复以及归一化处理,减小数据噪音与数据丢失等对模型影响；提出了三种时间序列分段策略：多次模糊c均值聚类,模糊c均值聚类与拐点结合分段,基于模糊c均值聚类的分段融合,将车流时间序列按高峰、平峰、低峰分为三段,减少计算负载,提高模型的运行效率；采用v-支持向量机回归建立短时车流量预测模型,并提出参数选择方法,构建基于遗传算法的参数优化算法,提高模型的预测精度；结合车流预测模型,设计基于车流最小延误的信号配时算法,生成交通信号配时方案,减少单路口车流的平均时间延误；完成单路口交通信号控制系统设计,包括体系结构设计,功能模块划分和网络拓扑设计。在本文结尾的实验部分,使用LS-SVMlab平台对城市快速路上交通流数据进行仿真,仿真结果表明预测模型减少了数据噪声对系统影响,提高了系统运行效率。把模型预测结果应用信号配时方案中,求解出具体配时方案,提高路口的通行效率。