国内外研究表明,智能交通运输系统(ITS)能否高效运行的关键取决于能否获得实时、准确的动态交通信息。但是在实际应用中,城市动态交通信息采集系统的建设缺少协调和理论性指导,交通检测器的优化布置缺乏理论依据。另外,由于检测器本身存在的局限性,我们得到的交通数据存在缺失现象,在这种情况下,利用检测器提供的历史数据合理的实时预测交通流情况,即短期交通流预测,也成为目前研究的热点之一。本研究首先通过大量的基础研究和准备工作,了解国内外城市动态交通信息采集系统的发展现状,对城市动态交通信息采集系统作需求分析并进行框架设计。在此基础上,介绍埋入式和悬挂式两类信息采集技术,并对各种交通信息采集技术的工作原理、性能、适用条件和成本费用等方面进行比较分析。通过分析,给出交通检测器的一般布置原则,提出交通检测器优化布点的方法,并利用模糊综合评判法对交通检测器的选择做了分析,最终得出检测器优化布置的合理方案。其次,利用检测器获得的交通流数据,考虑在数据缺失情况下,利用历史数据进行短期交通流预测。通过对多种短期交通流预测模型分析发现,神经网络具有识别复杂非线性系统的特点,有较强的自适应学习能力,是最具有潜力的一种预测模型。本研究选用RBF神经网络和matlab工具进行短期交通流预测,并在文中给出RBF神经网络的原理和算法,最后结合实例加以分析。