准确、实时的交通流预测是交通调度、红绿灯配时及交通分流与诱导的重要依据。通常利用交通流存在的相似性和周期性进行短时交通流预测,但是由于环境等其他偶然因素的存在,交通流存在不规则性和复杂性的特点。短时交通流预测需要尽可能发掘这种不规则性中的隐藏规律,从而获得更精确的预测结果,为此论文主要做了以下工作。(1)提出了新的时空相关系数求解方法。在对交通流特征以及时空相关性研究的基础上,发现传统的空间相关系数是由皮尔森函数推导计算的,缺乏针对交通系统的交通特性。针对这个问题,重新定义了距离权重矩阵;提出了一种基于车道宽度的车道权重矩阵,利用新的距离权重矩阵和车道权重矩阵重新定义了基于交通流序列的相关系数的求解方法。(2)对标准的灰狼算法进行了改进。标准的灰狼算法不能很好区分全局搜索和局部搜索,并且容易陷入局部极值。为此论文改进了灰狼算法中的收敛因子,引入Sigmoid函数使收敛因子自适应递减;在狼群个体的位置更新公式中,加入惯性权重,调节惯性权重的大小使灰狼算法具有跳出局部极值的能力。(3)基于交通流的时空相关特性,利用改进的灰狼算法优化BP神经网络模型进行短时交通流的预测。论文搭建了Matlab大数据集群,利用贵阳市的车流量卡口数据构建状态空间向量,并进行了实例验证,通过平均绝对误差、平均绝对百分误差和均方根误差对预测精度进行分析。论文研究表明,在大数据集群上应用基于时空的改进灰狼算法优化BP神经网络模型进行预测,预测结果更加准确,处理速度更快,显示了基于论文方法的大数据挖掘技术的短时交通流预测,方法可靠、精度较高,具有较好的应用前景。