交通运输业是经济发展的大动脉,随着经济的快速发展,,人们对各种交通工具的依赖越来越强,各种车辆的不断增加给道路交通带来了巨大的压力,拥堵、交通事故等问题也随之增加,人们对于一个更完整的智能交通系统（Intelligence Transport System,ITS）的需求也就越来越强。而交通流预测作为ITS的研究重点也正在受到越来越多的关注。如何提高短时交通流的预测精准性及预测速度,为交通管理部门提供及时、准确的建议,是本文的研究意义所在。因此,本文就如何提高短时交通流预测精度及速度这一问题,提出了改进的遗传算法（Improved Genetic Algorithm,IGA）优化长短时记忆神经网络（Long Short-term Memory Networks,LSTM）的短时交通流预测模型。本文完成的主要工作如下:（1）首先研究归纳了国内外短时交通流的相关研究。研究发现,短时交通流数据是一种具有强非线性、随机性的时间序列数据。LSTM在处理时间序列数据时效果显著。因此,本文选取LSTM作为短时交通流预测研究的基础模型。（2）提出了一种改进的遗传算法（IGA）,针对传统遗传算法（Genetic Algorithm,GA）容易陷入过早收敛和局部收敛性差的问题,在遗传操作的编码过程中提出了一种基于整数编码的编码方法;在选择操作步骤中引入基于误差的适应度函数,增强算法的寻优能力;采用一种新的交叉操作和变异操作,加快种群的收敛速度,防止局部收敛。（3）提出了基于IGA优化LSTM的短时交通流预测模型。一般情况下,需要人工设定LSTM的模型参数,这些参数的设定将会大大影响模型的拟合能力、训练速度以及最终预测效果。针对神经网络手动调参耗时长、调参不准确等固有缺陷,本文利用IGA对LSTM的初始参数进行优化,建立了IGA-LATM模型。（4）针对各种传感器或设备采集到的数据往往会存在不同的问题或缺陷,为保证预测效果,进行了数据的预处理。对点缺失数据使用了最近邻替代法和回归模型法,对离群数据使用了三次指数平滑法。然后对建立的IGA-LSTM模型进行了仿真实验,首先是IGA-LSTM与GA-LSTM和LSTM的预测对比实验,证明了IGA对LSTM优化效果;然后是IGA-LSTM与GA-BP模型和PSO-WNN的对比试验,证明了IGA-LSTM模型在交通流预测方面的综合性能优秀。