近年来,随着我国城市化进程的不断加快以及社会经济的快速发展,私家车数量明显上升,交通压力空前加大。频繁发生的交通事故不仅使得人们的生命财产受到威胁,严重拥堵的交通更是给人们的出行带来不便。传统的道路拓宽,交通管制等措施,具有较大局限,明显满足不了当前交通需求。当前,我国大力发展智慧城市建设,而智能交通是其重要组成部分。交通领域数据具有量大,维度高,类型复杂等特征,基于数据挖掘技术实现有效地交通流量预测对于缓解交通堵塞,实现信息惠民是有重要的研究价值和现实意义。城市短时交通流的科学预测是智能交通系统实施的重要环节。由于交通系统是一个多人参与,根据时间地点等因素时刻发生变化的系统,显著特点是具有高度的不确定性和非线性,这些特点给交通流预测带来很大的困难。随着预测间隔时间的增加,不可预期的突发偶然事件发生的概率更大,因此短时交通流预测相比长期预测实际意义更大,因而成为近年来的研究的热点。本文首先针对城市交通流特性进行了分析,明确了准确描述城市交通流特性的必要性,阐述了智能交通领域的相关技术,结合路网实际数据,重点分析了基于公交流实现流量预测的实际需求和限制条件。同时,针对不同路段流量的相关性做了重点分析,对流量预测理论应用的实际可行性做了初步验证。在城市短时交通流BP人工神经网络预测方法与公交流概念的基础上,通过实际数据的采集分析,发现上一相邻路段T时刻公交流运行速度与本路段T+10min时刻的路段流量具有较好相关性,同时由于大中城市基本形成了公交路网的主动脉格局以及运用现代智能公交系统可为公交流运行状态信息数据源进行实时准确的采集,进而为基于公交流运行状态的城市短时交通流BP人工神经网络预测方法提供了基础。在此基础上,论文提出了基于公交流运行状态的城市短时交通流BP神经网络预测方法,对相关网络模型、参数配置、预测流程等做了详细设计。结合上海市浦东新区张杨路枣庄路等实际数据,建立了基于公交流运行状态的短时交通流BP神经网络预测模型,并与城市短时交通流常规预测模型进行对比测试。测试结果表明新的预测方法获得的预测值更接近于实际值,预测效果更佳。因此,本文方法具有较好的技术实用性,其应用推广价值较高。