随着科学技术的发展和交通拥堵问题的出现,智能交通系统（Intelligent Transportation System,ITS）应运而生,其研究也成为了当今热门研究课题之一。实时、准确短时交通流量预测是实现ITS对交通流控制和诱导的基础,对于缓解路网交通拥堵情况有着重要的理论意义,同时也具有广泛的实际应用前景。针对由短时交通流量非平稳性和随机性等特征而造成的预测精度不足的问题,本文通过运用改进的自适应变分模态分解（Variational Modal Decomposition,VMD）、注意力机制和双向长短时记忆网络（Bidirectional Long Short Term Memory,BiLSTM）的组合预测模型,以此来达到对路网交通流量的实时、准确的预测,研究的主要内容如下:（1）针对路网交通流量数据具有非平稳性的特征,提出一种将信息熵引入变分模态分解（VMD）中的改进的自适应变分模态分解算法,使用该模态分解算法将交通流量时间序列分解为一系列体现路网交通情况趋势性、周期性和随机性因数影响的有限带宽交通流量时间序列模态分量,细化了交通流信息,降低了非平稳性,而后对针对其低频、中频和高频模态分别进行建模预测,提升了建模的精确度。（2）利用结合注意力机制的双向长短时记忆网络挖掘交通流量序列中的时空相关性,通过注意力机制对路网不同采样节点与预测节点之间的重要性差异进行计算,从而突出对于时空路网上重要采样节点的特别关注,而后通过BiLSTM挖掘交通流量时间序列中的时间相关性,从而揭示其时空变化规律,从而进一步提升了建模精确度,并且利用改进Adam算法进行网络权值优化,以加速了预测网络的训练,将各模态分量预测值重构得到最终交通流预测值。（3）选取美国交通研究数据实验室在2016年3月1号到2016年3月24号7:00-19:00时段共有3456个交通流数据作为实验数据集并进行仿真实验,实验结果表明,将本文预测模型与LSTM模型、BiLSTM模型和Attention-BiLSTM等模型的预测值对比,该组合预测模型在短时交通流预测上具有较高的预测精度。最后通过模糊控制技术,将基于组合预测模型得到的路网交通流量数据与模糊控制器结合,对路网交通信号进行实时配时控制,对缓解路网交通压力具有一定的现实意义。