信号控制是保障交通流安全运行、缓解城市交通拥堵的重要措施之一,其控制模式可分为感应控制、自适应控制和定时控制。感应控制与自适应控制依据实时交通流数据动态优化控制方案,可以很好的适应交通需求的短时随机波动。定时控制,又称多时段控制(Time of Day,TOD)是根据交通流的变化规律将某一时间单元(通常指一天)划分为若干时段,进而以时段为基本元素优化信号控制方案。该类方法在中低饱和交通状态下具有很好的控制效果,且是任何信号控制系统所必须配置的默认方案,作为检测器损坏、数据传输故障时的降级控制方式。定时控制包括时段划分和信号方案优化两项工作,目前对于定时控制的信号方案优化已有很多研究成果。针对时段划分其传统方法多基于历史数据借助聚类手段完成,存在两大缺陷:一是聚类方法多忽略交通流参数的时间属性,最优的聚类结果无法保证时段划分结果的全局最优性;二是缺乏对交通流参数的精确预测,在待划分对象的真实数据与历史数据存在较大差异时出现划分方案与实际交通流数据的错误匹配。为弥补上述缺陷,本文分别针对长时交通流预测及时段划分开展研究工作。目前,长时交通流预测的相关研究很少,现有方法多借助直观影响因素(例周天)将历史数据进行模式分类,进而根据待划分对象的影响因素属性选择合适的历史数据,并借助统计分析方法完成预测。然而,交通流参数的模式是多重因素叠加作用的结果,包括周天、天气、季节、节假日等。本文首先解析交通流的周期特性,进而构建一种基于密度峰值聚类的模式分类方法及待划分对象的模式匹配方法,并借助神经网络搭建长时交通流预测架构。其次,本文解析了基于K-means聚类思想的时段划分方法所存在的技术缺陷,提出了两类基于过程优化的改进算法。进而考虑交通流参数的时间有序性,借助时间序列分割算法实现交通流参数的最优切换,并引用动态递归构建一种快速求解算法。最后,基于多个城市的实际交通流数据采用仿真手段验证本文方法的实际效果,结果表明:预测方法能够显著提升交通流参数的预测精度,时段划分方法可以有效提高交通流整体运行效率。