随着城市化进程的不断加快,我国的居民消费水平日益提高,小汽车已不是奢侈品,而是日常的交通工具,急剧增长的机动车保有量给城市的交通发展带来了巨大的压力,交通供需矛盾凸显。城市道路交叉口是道路网络的重要组成部分,也是城市道路交通中的瓶颈部位,多数的交通拥堵现象也发生在交叉口附近,其控制时段的划分直接关系到相关线路乃至整个路网交通功能的发挥,它对于城市道路的机动性、通行能力、路网容量以及交通安全都有较大的影响。所以,实践证明调整现有交叉口的配时方案和渠化设计是最快速的,本文对此进行了深入研究,即如何在现有的信号控制设施上,对交叉口信号控制时段进行优化改善,有效缓解交叉口拥堵现象。因此本文建立了信号控制时段划分模型,主要进行了如下工作:1)为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在Myeclipse的开发环境下调整参数适应样本,通过门限层控制模型的记忆能力,在不断的迭代后,对历史数据的特征信息进行记忆与更新,历史数据会被赋予不同的权重值,已经训练好的模型会对接下来的数据进行预测与验证,并与经典BP神经网络模型预测结果进行对比。2)提出了基于改进SOM算法的信号控制时段划分方法,将预测流量作为数据输入,先用SOM做初始聚类,再以PAM算法二次聚类优化聚类中心,设定不同的聚类数目,作为利用Synchro仿真软件模拟真实环境,以总停车次数和总延误为评价指标,对比分析了两种聚类算法在不同聚类数目下的时段划分结果的有效性。