近年来,由于城市机动车数量的飞速攀升,城市路网时常出现拥堵现象。智能交通系统因运而生,其核心功能是交通控制与诱导,而实时、精准的交通流预测信息是其实现交通控制与诱导的关键。因此如何获得实时、精准的交通流预测信息是近些年来智能交通领域中的研究热点之一。对短时交通流预测文献的查阅与分析,可知现阶段的短时交通流预测研究的重点放在对路段时间序列上的交通流进行预测。预测模型主要有统计理论模型、神经网络模型、非线性理论模型等,由于未考虑交通流空间上存在的特性,会存在预测结果精度不高的问题。对此,本文重点研究了考虑时空相关性预测方法。首先,分析了城市路网中交通流特性,通过分析可得交通流时间与空间上存在相关性。通过对各个数据采集方式优劣势研究,确定了使用微波数据作为数据来源。但是难免会因为设备老化、检测系统误差、传输线路出现故障等原因造成微波采集数据丢失、错误等情况,因此设计了一套数据预处理的流程,经过数据预处理后提高了数据质量。其次,在交通流时间与空间上存在相关性的基础上,提出了改进遗传算法优化BP神经网络对交通流时间序列进行预测,空间序列上使用了多元逐步线性回归方法进行预测,使用最小二乘动态加权融合算法对两种结果融合得到最后的预测结果。最后,使用城市路网中微波实测数据对模型的预测结果进行实例分析,由预测结果误差分析指标可知,融合后的预测结果相较于单一序列的预测结果更精准,验证了融合预测模型在交通流预测中的有效性与准确性。