经济快速发展使得机动车保有量呈爆炸性增长,随之而来的便是交通状况的日益复杂以及交通问题的频出。交通拥堵不仅会对社会经济产生一定影响同时也造成了环境污染,所以对于未来短时间段内的交通状况的预测成为了研究热点,也与人们的日常出行密不可分。本研究通过对短时交通流预测模型以及与其相关的优化算法的了解,提出了自适应人工鱼群算法BP循环神经网络(AAFSA-RNN)模型用以短时交通流预测,旨在提高神经网络训练速度以及模型预测精度。提出的自适应人工鱼群算法中,首先是对算法中的参数进行改进,人工鱼视野的自适应设定——基于人工鱼之间距离的平均值,步长的自适应设定——基于迭代次数,由于拥挤度因子对算法影响小且确定难度高,选择将其忽视。通过上述改动来最大程度地减少人工鱼群算法中需要进行设定的参数。由于对拥挤度因子的忽视,需要对人工鱼的行为进行相应的改变。通过对神经网络相关内容的学习以及研究中使用的实例交通流数据特性的了解,最终选定BP循环神经网络作为预测所使用的网络模型。该模型通过对输入信号的“上下文”内容的考虑,在人工语音识别、图像识别等方面表现良好,在交通领域也有广泛的应用。本研究针对交通流信息的连续性,以及时间序列前后的相关性,根据预测使用数据进行BP循环神经网络的结构设计,将输入数据分两次输入,第一次输入数据从第一隐含层输出后不直接进入输出层而是同第二次输入数据一起进入第二隐含层,最终完成以一次输出。由于神经网络中参数数量随着神经元数量的增加快速增长,运算量也随之增长,最终两个隐含层的参数选用相同参数,以达到加速训练的目的。通过对自适应人工鱼群优化算法以及BP神经网络误差反传寻优的优缺点了解,本研究提出模型在训练过程中首先利用自适应人工鱼群算法在前期搜索范围广、收敛速度快的特性进行寻优,寻优结果作为BP循环神经网络模型误差反传寻优的初始解,用以弥补误差反传寻优的收敛速度慢、对神经网络参数敏感的缺点。最后使用实例数据对提出模型的预测精度进行验证,通过对预测结果的平均绝对误差(MAE),平均绝对百分误差(MAPE),均方根误差(RMSE)的计算与分析,发现其预测精度处于较高水平,平均绝对百分误差处于5%-6%之间。并通过对提出模型与其他模型进行比较,发现提出的组合模型中既能发挥出自适应人工鱼群算法的寻优特性,又能展现误差反传的寻优特性。