在当今对出行便利的需求越来越高的时代背景下,智慧交通系统承担着极其重要的作用,单纯依靠交警或是监控的方式已经不能满足各类出行需求,如何专业、准确的预测道路车流对及时改善交通状态、缓解交通拥堵有着重大意义。同时,基于短时车流预测实现的信号灯配时优化也是智慧交通系统构建的重要手段。本文利用车流守恒定律以及机器学习实现短时车流预测方法,同时通过优化方法将信号灯配时方案与车流量实时挂钩,提高了车辆通行效率、缓解了交通拥堵问题。主要研究工作概括如下:(1)针对现有车流量预测模型都是以现有数据出发、不关心数据内部规则、特征选择多是依靠人工经验选择的问题,本论文提出基于K近邻回归的多路段短时车流预测。模型以真实数据为数据集,将信号灯配时方案、某时段上游路面车流、某时段下游路面车流等参数作为模型特征,构建基于K近邻回归的多路段短时车流预测模型,该方法可以提升模型预测精度、泛化能力及可解释性,达到高精度预测车流量的目的。实例验证结果表明,所构建的短时车流预测模型具有较高的预判精度,预测结果表明模型在测试集上的均方根误差(RMSE)为7.08,相对于现有短时车流预测方法精度更好、预测速度更快、实用性更强,能够进行高效的短时车流量预测。(2)针对现有信号灯配时优化方法存在的求解精度低、目标函数误差大、可解释性差的问题,提出基于改进Webster函数和改进遗传算法的信号灯配时优化方法。首先,该方法以车流量、信号灯周期和绿信比为模型输入,交叉口的车辆平均延误作为模型输出,再以各方向平均车辆延误和各方向车流乘积的总和来构建交叉口车辆总延误函数,并以此作为目标优化函数,实现多目标优化函数向单目标优化函数的转变;其次,在完成目标优化函数构建之后,为对具有多约束条件的目标函数进行求解,本文引入改进遗传算法,通过改变信号灯配时使得交叉口总延误最低;最后,对比分析优化后的信号灯配时方案的交叉口延误与原先信号灯配时方案下的交叉口延误以验证方案可行性。该方法相对于现有方法具有更高精度的目标函数,且在求解过程中可以解决带有多约束条件的优化问题。实验结果表明:经过改进遗传算法优化后的信号灯配时方案可以将原配时方案下的交叉口延误降低近15.37%。(3)针对信号灯配时方法由单一信号灯优化向相邻信号灯协调优化的转变以及信号灯配时方案求解速度较慢的问题,提出基于预测车流和XGBoost的相邻交叉口信号灯优化模型。为分析“信号灯-信号灯”之间的关联,将原先的“信号灯-信号灯”模式变为“信号灯-路段-信号灯”模式,挖掘信号灯配时对路段车流的影响,再以预测的相邻交叉口周边车流对相邻交叉口信号灯进行优化;另外,为解决改进遗传算法收敛速度过于缓慢的问题,在保证求解精度的前提下,引入XGBoost模型使信号灯配时求解过程的响应速度大大提升。实验结果表明,采用基于预测车流和XGBoost的相邻交叉口信号灯优化方法可以将原配时方案下的相邻交叉口延误降低近22.75%,且信号灯配时求解速度大为提升。最后,本文从理论、适用条件和范围、性能、预测误差综合对比了以上各种方法的优缺点,分析了目前研究的不足,并展望了进一步提升模型求解精度和效率的方向,期望通过实测数据更准确地评估模型求解的精度。