交通堵塞往往发生在车流和人流均十分密集的交叉路口,因此,交叉路口的信号控制对于现代城市交通状况的改善至关重要。传统的定时控制对于交通流变化缺乏实时性,而感应控制只能对当前的车流变化做出反应,不能通过历史数据来预测交通量以实现交叉路口全局优化的控制。因此本文在分析各种交通流预测方法的基础上,提出用神经网络预测来解决交叉路口的信号控制问题。同时讨论分析了控制信号相位与车道数的关系、车流量与车道配置的关系。尤其对基于车流量预测的改进四相位控制方案进行了深入研究,并通过仿真实验证明了本文提出的改进四相位控制方案可以有效的平均各交叉口排队长度的思想,从总体上减少车辆延误。在以上研究结果的基础上,使用上周期上游涌入车辆数和本周期车辆到达数组成的数据对进行神经网络训练,训练得到的网络可以预测车辆到达数和交通参量,由此建立了系统的预测模型。使用到达车辆数的实测值和本周期预测值的差对下周期的预测值进行反馈校正,在此基础上即可确定信号控制系统的优化目标函数。使用模型预测控制(Model Predictive Control,MPC)方法对交叉口信号的绿信比参数进行多步预测控制,并在比较的基础上给出单步预测控制与多步预测控制的优点与适用范围。最后,比较了线性规划方法,遗传算法(Genetic Algorithm,GA),粒子群算法(Particle SwarmOptimization,PSO)在优化绿信比参数中的性能。通过仿真分析,证明了在单向三车道或更多车道时四相位控制比两相位控制可以更有效的降低排队长度,而改进的四相位控制方案有效的均分各个路口的排队长度,从总体上减少车辆延误。预测控制方案比定时控制和感应控制都具有更小的排队长度,其中,多步预测控制的效果又优于单步控制。在求解最优绿信比参数的过程中,相比传统线性规划算法,遗传算法和粒子群算法均具有更好的优化效果,而粒子群算法又优于遗传算法。由此证明本文提出的神经网络预测控制具有较高的交叉口车流优化配置能力和较大的社会应用价值。