贵阳市作为西南地区的数据中心,城市交通供给滞后,交通拥堵问题严重,阻碍经济发展的同时,各类交通问题也在威胁市民的安全。为缓解交通拥堵问题,交通流预测作为智能交通系统的重要环节成为了国内外研究的热点。本文以贵阳市典型路段为实验对象,分析交通流特性的同时,探讨影响交通流的三个外部因素:道路设施因素、天气因素、节假日因素,搭建混合神经网络模型在各因素下分别完成短时交通流预测,并将该模型用于局域路网中目标路口的短时交通流预测。主要内容包括:首先,确定对比实验路段,完成断面交通流数据的统计及预处理,得到短时交通流数据集,并分析道路设施因素、天气因素、节假日因素对交通流的影响。其次,基于神经网络基础理论,先后探讨了利用修正自适应矩估计法（Rectified Adaptive moment estimation,RAdam）优化的反向传播（Back Propagation,BP）神经网络、双向长短期记忆（Bi-directional Long Short-Term Memory,Bi LSTM）神经网络的结构及其特点,并进行组合,提出了一种Bi LSTM-BP优化模型在各因素下进行短时交通流预测。最后,建立贵阳市局域主干道路网,利用主成分分析（Principal Component Analysis,PCA）探讨各路口间交通流数据的相关性,选取主成分路口交通流数据作为Bi LSTM-BP优化模型的输入,在多因素下分别对局域路网中目标路口进行短时交通流预测。从所列各评价指标和预测结果对比图得出:本文所提出的Bi LSTM-BP优化神经网络模型在各因素下均具有较好的预测效果,具有实际应用意义,可将其用于局域路网中目标路口的短时交通流数据预测。