随着交通流预测成为智能交通系统(ITS)研究中热门的领域之一。我国的许多大城市开始开展相应的智能交通系统的战略规划研究,由于城市路况交通流状态具有非线性和不确定等,因此,全面、准确、及时的交通流预测对城市交通系统控制具有重要的意义。本文对从PEMS系统上采集到的交通流数据,进行可预测性分析。通过计算交通流时间序列的最大李雅普诺夫(Lyapunov)指数,来进一步分析判断交通流的混沌特性,采用关联积分法(C-C)计算嵌入维数和延迟时间,通过对实测数据进行仿真验证,进一步说明交通流的可预测这一性能。本文在对神经网络研究的基础上,构建BP神经网络模型,将其应用于短时交通流预测。仿真结果表明该算法具有易陷入局部极小值的缺点,为了克服BP神经网络的缺点,需要将BP神经网络进行改进。本文介绍了基本粒子群算法以及改进后的一些混合方式。根据上述算法,分别构建了用于交通流预测的PSO-BP、CPSO-BP、SAPSO-BP神经网络模型。通过构建好的模型分别对工作日、周末和节假日数据进行预测仿真,仿真结果表明：基于智能算法优化后的BP神经网络在收敛性和预测精度等方面得到了较大改善,从而可以更好地进行短时交通流预测,最后,通过预测指标对预测模型的优劣性进行评价。为了使预测的效果更加的突出,将混沌算法的思想引入到模拟退火粒子群算法中,设计了模拟退火混沌粒子群算法(SACPSO)，该算法融合了混沌和模拟退火粒子群算法各自的优点,采用单点单步的方式,来构建SACPSO-BP神经网络交通流预测模型。由于工作日、周末和节假日交通流数据具有不相同的影响因素,因此,将分别对这几种情况建立预测模型后进行仿真实验。经对比分析,研究结果表明：SACPSO-BP模型能更好地对短时交通流进行预测。