随着我国经济的发展和城市化进程的不断推进,城市环境压力逐渐增大。空气污染物中,细颗粒物(PM_2.5)和臭氧（O₃）对人体健康存在较大的危害,且由于其当前浓度水平较高,成为了人们的主要关注对象。机动车排放是城市PM_2.5和O₃的主要贡献源之一,由于机动车主要行驶在城市中的人口密集区,且随着机动车数量逐年增长,道路附近区域的污染物浓度一般会高于城市平均浓度。当人们在道路附近活动时,很可能直接暴露在高污染区域中,对健康有不利影响。因此,对道路附近污染物浓度进行精准预测和超标预警,帮助人们提前了解道路污染物浓度,规划活动范围,减少污染物的暴露量具有重要意义。本文以两条城市主干道的PM_2.5和O₃浓度为研究对象,建立1-3小时BP神经网络预测模型,研究时间为2014年5月13日0时-2015年9月30日23时,输入参数主要包括气象参数、交通参数、路边污染物浓度参数和国控站点污染物浓度参数。同时,本文提出了一种系统性的BP神经网络模型优化方案,对BP神经网络中最大训练次数,激活函数、隐含层节点数等重要参数进行优化,并在模型初步优化的基础上,本研究进一步提出了逐步筛选法,对模型输入参数组进行优化,剔除冗余或不相干的输入参数。结果表明上述优化方案对模型表现提升较为明显,输入参数优化前后的模型预测结果R²提升幅度为5.63%-87.4%,且1小时预测模型的R²范围为0.806-0.880,2小时预测模型的R²范围为0.611-752,3小时预测模型的R²范围为0.440-0.657,精度较高。基于BP神经网络模型以及提出的优化方案,本文进一步对国控站点的PM_2.5和O₃浓度进行1-3小时预测研究。其中,输入参数为气象参数及国控站点污染物浓度参数,时间分别为2014年5月13日0时-2015年9月30日23时和2017-2018全年。优化后的预测结果中,对于PM_2.5和O₃,1小时预测模型的R²范围分别为0.961-0.965和0.936-0937,2小时预测模型的R²范围分别为0.854-0.885和0.773-0.799,3小时预测模型的R²范围分别为0.754-0.813和0.624-0.440。最后,对不同交通管控政策进行模拟研究,将车流量分别削减25%、50%、75%和100%,探讨交通管控政策对道路污染物浓度的影响。研究结果发现交通管控政策对污染物削减和污染物超标时刻的减少有一定效果,例如,车流量削减50%时,两条道路的污染物浓度的平均削减幅度为3.32%-5.94%,达标小时数比例的增加范围为3%-18%;100%削减场景下,污染物浓度的平均削减幅度为13.6%-20.38%,达标小时数比例的增加程度为21%-55%。模拟结果也说明单一交通管控措施的作用仍然是有限的,在道路污染物超标问题上,有必要对其他污染源进行协同管控。