近年来,我国经济的飞速增长和人们生活水平的提高使得机动车保有量与日俱增,现有道路资源的有限和日益增长的汽车保有量之间产生了矛盾,带来了一系列复杂的交通问题。为解决这一棘手问题,智能交通系统（Intelligent Transport Systems,ITS）应运而生,其强大的综合分析能力和智慧引导能力可以帮助车主合理规划出行路线,避免交通拥堵,提高道路通行效率。作为ITS的实现基础,短时交通流预测有着重要的研究意义,准确的交通流预测可以使交管部门、物流单位、私家车主等事先得知道路交通情况,对合理规划路线及维护社会交通秩序都有着极大的帮助。在此背景下,为了提高短时交通流预测精度,本文首先对灰狼优化算法（Grey Wolf Optimizer,GWO）进行了改进,并使用改进的灰狼算法（Improved Grey Wolf Optimizer,IGWO）,分别优化了支持向量回归（Support Vector Regression,SVR）和Elman神经网络交通流预测模型。使用所提出的组合优化模型分别对城市交叉路口和高速公路车流量进行了预测,验证了IGWO的加入能够有效提升所优化模型的预测精度。具体地,本文主要研究工作如下:（1）针对GWO的线性收敛因子在寻优过程中不能很好匹配全局和局部搜索的弊端,提出了一种基于tanh函数的非线性收敛因子对其进行改进,并采用加入权重的灰狼位置更新机制提升GWO的收敛速度。使用10个国际标准测试函数检验改进后算法的寻优性能,验证了IGWO算法在收敛速度及寻优精度上有着更好的表现。（2）针对SVR模型在预测交通流时所面临的超参数调优问题,使用所提出的IGWO算法对SVR模型的惩罚系数C和核参数γ进行优化,构建了IGWO-SVR交通流预测模型。考虑交通流的日周期性及邻近相关性,在不同的交叉路口环境下,对城市道路交叉口工作日车流量进行了单步预测。仿真结果表明,相较于未优化的模型,所提出的IGWO-SVR模型在预测精度上有着明显的提升。（3）针对Elman神经网络模型在预测交通流时所面临的易陷入局部最优的弊端,使用所提出的IGWO算法优化Elman模型的初始权值和阈值,构建了IGWO-Elman交通流预测模型。考虑交通流的周周期性、日周期性及邻近相关性,对高速公路车流量进行了多步预测。仿真结果表明,IGWO优化算法的加入有助于降低Elman模型的预测误差,并且IGWO-Elman模型在对未来较长时间下的车流量预测中,仍保持着较高的预测精度。