随着经济日新月异地发展和城市化速度地日益加快,交通需求不断扩大,城市交通拥堵以及由此引起的一系列问题已经变得越来越严重。而交叉口是城市交通网络的枢纽,也是多种交通流聚集和再分配的关键点。因此,对交叉口的信号灯进行科学合理的智能控制可以有效地解决交通问题。但是,由于我国特殊的国情,解决这些问题的最好方法就是根据我国混合交通流的情况对交叉口信号进行智能控制,这具有重要的实际意义。本文对短时交通流预测方法进行了简单的分析,发现其实时性较差,无法实现在线预测。针对此问题,提出了基于自适应移动窗的BP神经网络算法对短时交通流进行预测。通过仿真比较,结果表明该方法的预测精度较高,保证用于信号控制的数据具有实时性和准确性。针对我国混合交通流的特点,在充分考虑了非机动车对交叉口信号控制的影响下,以四相位单交叉口为研究对象,设计了一个基于转化因子的变相序模糊控制模型。该模型综合考虑了交叉口各方向的排队等待车辆的长度、车辆到达率以及未被放行相位的延误次数等因素,来决定绿灯相位的延长时间以及相位的切换顺序。并建立了最小绿灯时间优化模型,根据交叉口预测到的交通流量和交叉口的相位分布情况,确定了交叉口各方向的最小绿灯时间。以交叉口车辆的平均延误为性能评价指标,运用MATLAB进行仿真对比,仿真结果验证了该方法的可行性。在考虑了模糊控制器的参数设计依据人工经验确定,存在不够准确和客观的缺陷。因此,在基于转化因子的单交叉口变相序模糊控制的基础上,设计了一种基于粒子群算法的模糊控制优化方案,即运用粒子群算法来优化模糊控制模型中的隶属度函数和模糊控制规则。运用MATLAB进行仿真对比,结果表明优化后的基于转化因子变相序的模糊控制方法进一步减少了交叉口车辆的平均延误,提高了模型的控制效果,验证了该方法的优越性。