近年来,随着我国经济的快速发展和城市的持续繁荣,人均汽车拥有量与日俱增,全国大、中、小城市均面临着不同程度的交通拥堵、交通安全、能源消耗、环境污染等问题,严重影响了城市生活的质量和城市经济的可持续发展。加快城市交通系统建设、大力发展智能交通,已经成为新时代城市的共同呼唤。作为实现智能交通控制和诱导的关键环节,实时准确的短时交通流预测及其应用研究对提高现有交通路网的通行效率,解决当前城市交通问题具有非常重要的理论价值和指导意义。本文选择短时交通流预测和基于车流量的城市交叉口交通信号优化控制为研究对象,采用改进粒子群算法(IPSO)优化Elman神经网络的方法实现了对短时交通流的预测,基于预测结果,利用轮询控制模型优化分析了交叉口交通灯配时方案。根据实际交通流数据进行仿真实验,结果表明该预测方法和交通灯配时方案能有效提高短时交通流的预测精度和城市交叉口的通行能力。论文进行的主要工作有:针对短时交通流的高度非线性、随机性、相关性等特点,在对比分析传统预测方法和新型智能预测方法的优缺点后选择具有高度非线性映射能力、良好的学习能力和动态变化能力的Elman神经网络作为预测方法,并采用IPSO算法与Elman神经网络相结合,使二者优势互补,改善了传统神经网络收敛速度慢和容易陷入局部极小值的缺点。采用IPSO算法优化Elman神经网络的连接权值和阈值,建立了基于IPSO-Elman神经网络的短时交通流预测模型,通过对采集到的交通流数据在时间和空间上的周期性及变化规律进行分析,确定了预测模型的具体输入,仿真对比实验表明该预测模型有效提高了短时交通流的预测精度。基于对短时交通流预测结果的应用研究,在分析城市交通路网相邻交叉口车流量相关性的基础上,建立基于车流量的交通灯轮询控制模型,并求得了交叉口交通灯配时方案和车辆通过交叉口时的平均排队长度,仿真实验结果表明减小了车辆平均排队长度、有效提高了交叉口的通行效率,缓解了交通拥堵。