近年来,随着中国城市化进程的加速以及汽车工业的蓬勃发展,机动车的数量大大增加,城市道路车辆通行能力与城市交通中不断增长的车辆通行需求的矛盾日趋显现出来。因此利用智能交通系统来有效改善和缓解城市交通拥堵,是目前各国为应对城市交通拥堵这一难题所关注的焦点和大力发展的重要手段。而城市道路交通流预测是智能交通系统其关键技术基础,因此其对于城市智能交通系统能否提供准确、高效的出行服务具有非常重要的意义。其中交通流数据具有很强的自相关特性,在时间呈现出一定的周期性、非线性与局部非平稳的特性,在空间上也受到特定城市交通道路网络结构的影响,本文针对这些特性以及考虑了现有算法的一些缺陷,重新提出并构建了新的预测算法与模型。首先,根据交通流数据具有空间上交通相互联动和影响的空间特性,以及传统的交通流预测又只考虑到交通流数据时间上的自相关性,而忽略了交通流数据的空间特性,因此本文提出构建一种空间路径聚类算法用来提取与预测路段空间关联性强的点的交通流数据作为空间样本数据,并作为参数改进后粒子群小波神经网络(PSO-WNN)的输入以此来构建空间预测模型。其次,针对交通流时间样本数据存在平稳与非平稳的特点,本文提出一种新型的分段加权适应度函数来构建粒子群小波神经网络(PWFF-PSO-WNN),使算法在优化过程中分配给非平稳数据段以相对更大的调节权重,并且考虑到粒子群算法在优化过程中易陷入局部极小值,故提出适合本文交通流数据样本的惯性权重衰减的策略,并对比适应度曲线得出结论。然后,为将交通流数据的时间特性与空间特性相互融合且保持较好的自适应性,本文提出时空预测加权融合的方法,根据时间预测和空间预测最近历史时刻的若干预测输出值组成的时序序列均方误差加权组成的代价函数,来决定各加权系数的调节方向,以此达到时空有机融合的目的。最后,本文经过MATLAB实验平台将各模型编码实现,再进行各预测模型实例分析并对比预测结果后得出结论:本文构建的时空融合短时交通流预测方法性能优于单个时间或空间样本的预测,达到了提升交通流预测优化结果的目的。