近年来,随着智能交通系统的蓬勃快速发展,交通控制和交通流诱导作为智能交通系统的重要组成部分,已成为交通管理部门疏导城市道路交通的有效途径,交通控制和交通流诱导已然成为智能交通系统(ITS)的热门研究对象。准确、合理、科学地预测城市道路交通状况是交通控制和交通流诱导的关键技术,要完成对道路交叉路口和断面未来时刻的交通流量动态预测工作,需要充分利用历史交通流数据信息和实时交通流数据信息为出行者提供较为可靠的出行依据,因此,研究交通流量的变化规律,并对未来时刻交通量或发展趋势进行实时、准确、科学合理地预测,对于进行交通规划、交通诱导、交通管理、交通控制与安全等都具有非常重要的意义。本学位论文的主要研究成果包括：首先,对道路交通流量短时预测的研究背景和研究意义进行了陈述,进一步介绍了国内外已存在的交通流量预测方法的优势及不足。之后结合调研的实际交通流量数据,分析了交通流量在时间和空间的分布特征。针对道路交通流量的非线性、时变性和不确定性等特点,结合神经网络具有分布式处理、自组织、自适应、自学习的良好特性,提出了基于神经网络的道路交通流量预测模型进行预测分析。再次,结合具体实例,建立了基于BP、RBF和GRNN三种神经网络的交通流量预测模型,利用MATLAB平台分别对预测路段的交通流量进行预测。通过大量实际采样数据的预测验证,对比分析三种模型的仿真结果,得出道路交通流量短时预测方法的研究结果：预测精确度比较分析,使用GRNN神经网络模型得到的预测结果在精确度方面表现不如BP神经网络和RBF神经网络,三种预测模型中,RBF的预测精确度在达到最好效果时最高；预测时间比较分析,由于BP神经网络自身的不足使得预测时间最长,其次是RBF神经网络模型,预测时间相对最短的是GRNN神经网络模型。通过综合比较得出：RBF神经网络相对BP神经网络和GRNN神经网络更适合用来对城市道路交通流量短时预测。最后,对本学位论文的主要工作进行概括,进而提出道路交通流量的短时预测中有待进一步研究的问题。