短时交通流预测是交通控制和诱导的重要前提，其预测性能的好坏是交通流诱导系统能否有效实现的关键，本文分析了交通流的基本特点、主要参数及采集技术，并选取了其中的交通流量作为预测对象。交通流通常表现出非线性、随机性、不确定性及模糊性等特点，而神经网络恰好具有高度的非线性映射能力、良好的学习能力及自适应能力，因此，本文将着重研究基于神经网络的短时交通流预测方法。在神经网络中，BP神经网络作为前馈神经网络的核心部分而得到了广泛的应用，但它仍然存在一些缺点，如对初值敏感、易陷入局部极小值和网络结构多利用经验确定等。为此，本文将针对这些缺点对BP神经网络进行改进，并将改进后的算法用于短时交通流预测。首先，针对BP神经网络对初值敏感且易陷入局部极小值的缺点，本文在分析现有蚁群算法与结构已知的BP神经网络的融合算法基础上，进一步对基本融合算法进行改进，主要工作包括：(1)对历史交通流数据进行预处理并根据预处理后的数据确定神经网络的结构；(2)建立蚁群算法与BP神经网络的基本融合模型，分析蚁群算法的参数对算法产生的影响；(3)将搜索空间均匀划分，同时利用BP算法进行局部搜索来对基本融合算法进行改进，从而提高蚂蚁找到解的质量。其次，针对神经网络结构多利用经验确定的不足，本文提出了一种利用蚁群算法同时优化神经网络的结构、权值和阈值的融合算法，利用蚁群算法的全局寻优能力找到一个较优的网络结构，并同时给出一组网络的初始权值和阈值，然后将该算法用于短时交通流预测。最后，本文利用MATLAB7.6对上述方法进行仿真，在网络结构确定的情况下，仿真结果表明，改进的融合算法优于基本融合算法，能提高蚂蚁找到解的质量；引入交通流预测误差指标，仿真结果表明，本文所提出的第二种算法能找到具有稳定结构的BP神经网络，且具有较高的预测精度。