随着经济的迅速发展,生活质量的不断提高,城市内的机动车数量也在快速的增加,致使交通状况愈来愈复杂,随之而来的是交通道路的拥堵、行车事故的不断发生以及汽车尾气引起的环境污染等问题,故对短时交通流量进行更精确的预测,能够缓解城市交通压力,也可以更好的促进智能交通的发展。本文选取基于BP神经网络的短时交通流预测算法作为研究对象,针对BP神经网络在实际预测中存在的容易陷入局部极小值、收敛速度慢、预测精度不高等问题,对BP神经网络预测算法进行改进,并将改进后的算法用于道路短时交通流量预测。研究工作主要包括以下几方面:(1)短时交通流量预测及预测模型的建立。首先概述了短时交通流量预测的相关信息。在建立预测模型时,选取实际的交通路口,在BP神经网络的基础上,采用计算不同流量序列的相关性的方式,确定预测模型输入层节点数,然后通过实验的方式选定隐层数及隐层节点数,最终确定模型的各项参数。(2)基于BP神经网络预测算法的改进。针对BP神经网络训练效率低、容易出现过拟合,对初始权阈值敏感且易陷入局部极小值的缺点等缺点,首先采用自适应动量估计(Ada M)算法对BP学习算法进行了改进。在权阈值优化方面,采用蚁群优化算法给出最优权阈值,在分析现有的蚁群算法和BP神经网络的融合算法基础上,进一步对蚁群优化算法改进,从蚁群信息素自适应挥发系数、信息素迭代精英选择策略、种群迭代加入变异因子三个方面改进,最终得到最优解,完成短时交通流量预测的任务。(3)改进预测算法在交通流量预测系统中的应用。在确定好预测算法之后,设计了交通流量预测系统,将改进后的预测算法应用于其中,最后通过对系统的功能测试分析,证实系统可靠性,表明本文算法有一定的实用价值。