智能交通系统是利用尖端的电子通信技术,形成人员、公路和车辆三位一体的新公路交通系统的总称。交通管理与控制系统是智能交通系统领域当中一项重要的研究内容,而交通流量预测问题则是交通管理与控制的核心问题,因此,如何能够实时准确的预测交通流量成为了交通管理与控制是否能够有效实现的关键问题。本文主要讨论了基于模型驱动的卡尔曼滤波预测和基于数据驱动的神经网络预测两类短时交通流预测方法。基本思想是:以历史数据为基础,讨论在交通检测数据缺失情况下构建一种综合预测模型,提高预测的精度;利用神经网络良好的非线性映射能力,在历史数据基础上对神经网络进行训练,得到卡尔曼滤波预测所需的参数,提升卡尔曼滤波的适用范围。本文的主要工作及创新点如下:(1)对交通问题及短时交通流预测的基础理论进行研究,并对现有的预测方法进行比较说明。(2)对卡尔曼滤波系列的短时交通流预测方法进行研究,讨论了卡尔曼滤波、卡尔曼平滑滤波、扩展卡尔曼滤波、基于卡尔曼滤波的短时交通流预测模型及应用于扩展卡尔曼滤波的宏观交通流模型。随后,在讨论基础上提出一种综合预测模型,该模型可以有效克服交通检测中的数据缺失问题,模型分为重建部分和预测部分,重建部分应用历史数据形成历史趋势值来修正缺失数据,预测部分对原卡尔曼平滑算法进行改进,提升算法的实时预测能力,满足短时交通流预测的需要,实验表明综合预测模型提高了预测的精度。(3)对基于神经网络的短时交通流预测方法进行研究,讨论了神经网络的的结构及模型。随后,在讨论基础上提出了一种基于GRNN并融合卡尔曼滤波的短时交通流预测模型,模型利用了神经网络良好的非线性映射能力,通过训练得到卡尔曼滤波预测所需的参数,解决了卡尔曼滤波预测需要构建预测对象系统的精确数学模型的问题,实验表明融合预测方法提升了卡尔曼滤波的适用范围,预测也具有较好的效果。(4)在理论研究基础上,将短时交通流预测方法应用到深圳路网智能交通控制系统中,设计了深圳路网的交通信息处理子系统,重点实现了短时交通流预测模块,预测模块提高了道路交通控制与管理的有效性。