随着城市化进程的快速推进,城市人口激增、机动车保有量居高不下、城市污染严重、交通拥堵现象加剧等一系列问题一直困扰着城市生态文明的建设。而交通承载着一个城市的重要枢纽作用,因此,进行合理的交通流量预测,制定适宜的政策方案,提前疏导交通,对治理交通拥堵问题有着重要意义。本文就城市区域性交通流量问题,首先介绍了交通流量预测的特点及现有的几种典型的交通流量预测方法,包括ARIMA、XGboost、SVM、BPNN、RNN模型等,通过仿真实验,简要对比了下在不同的参数下各个模型的训练效果,得出神经网络模型在训练结果(RMSE)上要优于传统机器学习。结合本文实验数据集的特性,在Anaconda3软件上进行仿真实验,通过仿真实验对比得出激活函数选Relu,目标函数选MSE,北京出租车数据集优化器选取Adadelta,纽约自行车数据集优化选取SGD等参数,建立了适合于本文交通流量预测的LSTM模型。并通过仿真实验对比,得出LSTM模型在收敛速度和预测精度上都是优于传统神经网络模型。其次,使用蝙蝠算法(Bat Algorithm,BA)优化LSTM神经网络。通过BA算法调节LSTM神经网络的初始化权值和阈值,提出了BA＿LSTM算法。通过仿真实验得出,BA＿LSTM模型的复杂度要高于LSTM模型,不过从结果来看,模型的训练效果的较好的。特别地,本文针对蝙蝠算法自身的不足,提出了基于混沌理论的高斯扰动蝙蝠算法(CGBA),应用到LSTM模型的初始化权值和阈值的优化上,实验对比其收敛速度和精确度(RMSE)都要优于BA＿LSTM模型。最后,本文基于SSM框架设计并实现了城市区域性交通流量预测系统,并将本文提出的BA＿LSTM模型应用到该系统中,并将结果可视化地展示出来。本文采用的数据集是2013年1月-2016年6月年北京出租车和2014年6月-2014年10月纽约自行车共一百万余条GPS轨迹数据,并通过一种地图匹配算法将原始数据映射在城市区域网格中。本文通过仿真实验对比了传统的机器学习算法,包括ARIMA、XGboost和SVM算法,同时对比了神经网络模型,包括BPNN、CNN、RNN、LSTM、BA＿BP和PSO＿LSTM模型,验证了BA＿LSTM模型以及优化后的BA＿LSTM模型在收敛速度上和预测精确度上都有了明显的提高,更适用于城市区域性交通流量预测问题。