近年来,随着机动车保有量的激增,交通拥堵已成为城市交通问题的突出表现。交通拥堵导致车辆只能在低速状态下行驶,增加了延误和尾气排放。交叉口作为城市路网的关键节点,其运行状态直接关系到路网的运行效率。对交叉口进行科学合理的交通状态判别和控制优化有助于缓解交叉口处的交通拥堵,减少机动车尾气排放,对于改善空气质量、实现“碳达峰、碳中和”具有至关重要的意义。本文基于广域雷达检测器采集的车辆轨迹数据,采用聚类分析、极限学习机、群体智能优化算法等理论与方法,研究了交叉口交通运行状态的判别方法,提出了一种改进的短时交通流预测方法,并基于短时交通流预测数据实现交叉口信号控制优化。本文的主要工作包括如下四个方面:（1）基于广域雷达数据的交叉口车辆轨迹重现研究。分析了广域雷达检测器获得的交叉口车辆数据,发现数据存在检测异常、重复检测和重复编号等问题;通过数据清洗、车道编号、编号重置等处理,解决了原数据中存在的问题;根据检测器之间的相对位置统一坐标,建立了交叉口仿真平台,以重现交叉口车辆的行驶过程;并输出了交通流量、平均速度、排队长度、车辆延误以及车道空间占有率等评价指标,为下文的研究提供了数据支持。（2）基于模糊聚类分析的交叉口交通状态判别研究。选取交通流量、车道空间占有率、排队长度三个指标,利用模糊聚类算法将交叉口的车辆运行状态划分成了四个等级。利用交叉口的历史数据进行实验,实验结果表明通过该算法得到的各类交通状态的隶属度值大多接近1或等于1,说明算法的聚类效果较好,可以有效地划分出交叉口的交通状态。（3）基于改进ELM的短时交通流预测方法研究。提出了一种基于蚁群算法的改进极限学习机算法进行短时交通流预测。通过蚁群算法寻优,优化极限学习机的参数,以提高算法网络的稳定性和预测精度。利用实际数据进行实验,结果显示,本文提出的算法在数据发生突变时仍保持较好的预测结果,验证了算法的稳定性。在运行速度上,本文提出的算法也有明显优势,比BP神经网络快104倍,比PSO-ELM快24倍。（4）基于遗传算法的交叉口信号优化研究。基于短时交通流预测数据,构建了交叉口信号优化模型,并利用遗传算法来求解优化方案。以交叉口交通状态判别结果为依据,选取了两个时间段的数据,分别代表两种交通状态,对模型进行验证。实验结果显示,优化后的信号配时方案在拥挤状态下,交叉口平均延误相较于现状减少了36.20%;稳定状态下,交叉口平均延误优于现状37.67%。