我国城市化水平在近年稳步提高,但由于历史原因城市部分区域基础设施已经无法满足城市市民与日俱增的交通出行需求。交通拥堵、交通事故频发、汽车污染排放等一系列问题成为城市顽疾,交通矛盾日益凸显。对于解决以上矛盾,从城市交通信号控制角度入手,是国内外学者普遍认可的有效手段之一。在这样的情况下,本文通过信号控制优化区域交通流协调控制,对城市交通流短时预测方法展开深入研究,提出了交通子区划分方法,并以此为基础实施分层式区域交通信号控制方法,并将该方法策略装配到现有仿真基础中,设计并实现了一套支持分层式区域交通信号控制的交通仿真原型系统,本文的主要研究内容和创新点如下:（1）提出了一种基于CNN-Bi LSTM的短时交通流预测模型。对于基于LSTM的短时交通预测模型存在有无法充分归纳路网结构等方面的特征的问题,本模型利用卷积神经网络与之衔接的思想来进行交通流数据空间特征值捕获,再通过双向长短时记忆神经网络模型将带有空间特征的交通流数据进行时序特征提取,完成短时交通流预测,并与传统神经网络CNN、Bi LSTM以及经典预测算法ARIMA进行对比实验,表明本文模型较之的准确性和鲁棒性。（2）提出了一种交通子区划分方案。该划分方案基于CNN-Bi LSTM的短时交通流预测的预测结果,根据预测交通流量计算各交叉口流量相似度和信号周期相似度细致划分各交通子区,结合交通流预测时间间隔设定子区动态调整时间间隔,再根据累加的“更新指数”,实现交通子区的动态调整。提出了以交通子区划分为基础的分层式区域交通信号协调控制方案。该方案以子区划分为依据,将区域协调交通控制进行拆分,将复杂的控制问题简单化,对于不同的交通子区状况采取不同的控制方案,最后实现区域协调控制。（3）设计并实现了一套交通虚拟仿真实验系统,支持分层区域交通信号协调控制。在现有仿真系统中装配区域协调控制方案,设计并实现了支持分层式区域交通信号协调控制的交通仿真实验系统的整体架构和主要功能模块。