在智能交通系统中,实时准确的短时交通流预测一直是各国学者研究的重点。实时、准确的短时交通流预测是智能交通控制与管理的基础。短时交通流高度复杂性、随机性和不确定性的问题,使得预测效果并不令人满意。为了提高预测精度,越来越多的预测模型被应用到此领域,所以研究短时交通流的预测与应用对于城市交通管理有着重要意义。论文主要对短时交通流数据采集装置、数据预测和交通流融合后应用问题进行研究,主要内容如下:首先,在对交通流的理论知识理解分析的基础上,发现交通流的实时数据,对预测和分析交通流状况非常重要。针对数据的采集方式和采集流程问题,本论文对交通流路口摄像头装置的位置设计。然后,针对短时交通流预测的复杂性、随机性和不确定性,单一模型预测无法达到理想精度,分别建立小波神经网络(WNN)和蚁群-WNN两种预测模型方法,预测下一时段的交通流状况。利用小波分析对数据去噪和重构,采用WNN模型对短时交通流进行预测。为避免WNN模型训练时陷入局部最优情况,结合蚁群算法对权值寻优。通过MATLAB对两种模型实验仿真表明,根据误差指标公式计算,蚁群-WNN组合模型对短时流量数据预测更加准确。最后,针对机动车和非机动车的混合道路上短时交通流预测,进行交通流融合模型设计,分析、计算非机动车和机动车之间转换关系,并得出融合参数。通过评价指标对比分析,融合后的预测数据更接近真实数据。短时交通流预测应用中,通行能力是智能交通决策的重要依据指标。不同的车型,会影响道路通行能力的大小。本文针对时距模型和间距模型,分别分析大、中、小型车对通行能力的影响。在此基础上,将本文所用方法在MATLAB中GUI环境下,设计混合交通流预测分析系统,集成基础设施、数据处理和平台三个方面,体现交通流预测在智能交通中的应用。