随着我国经济的迅速发展和城市化水平的加速提高,汽车数目不断增长,由此引发了交通拥堵、交通事故和空气污染等一系列交通问题,其中,最为严峻的,也是受到人们越来越多重视的就是交通拥堵问题。为了解决这一问题,智能交通系统(Intelligent Transportation System,ITS)随之产生。它是目前解决城市交通问题的有效方法,它能在现有技术的基础上对交通信息进行实时诱导与控制,最大限度提高交通运输系统的运输、管理效率。而实时诱导的关键是提前了解道路交通状态,这往往需要准确的交通流预测,因此如何准确预测短时交通流量是保证智能交通系统有效运行的关键。本文源于海信网络科技公司“交通智能管控平台”交通诱导模块的预研课题,着重研究了基于花授粉算法和神经网络的城市交叉路口短时交通流预测。本文的研究将从以下几个方面展开:首先介绍了智能交通系统的发展,阐述了交通流预测领域基本原理,为后续预测模型的建立奠定了理论基础;其次针对遗传算法的不足,提出一种概率自适应的遗传算法,并建立了三种预测模型:基于BP神经网络、基于遗传神经网络和概率自适应遗传神经网络的交通流预测模型。通过仿真对比实验得出,概率自适应遗传神经网络交通流预测模型相比其它两种模型,网络性能提升明显,取得了更好的预测效果;然后为了更好地解决BP神经网络在调整权值阈值时收敛速度慢、易陷入局部极小值的缺陷,本文选择采用全局寻优能力较好的花授粉算法(Flower Pollination Algorithm,FPA)来优化BP神经网络,针对其本身存在的收敛速度慢等问题,本文从对立点搜索优化初始种群、改进转换概率以及“距离差”局部授粉策略三个方面来对FPA算法进行改进,最后通过与IGA-WNN模型的对比实验,得出改进的FPA-BP神经网络提高了网络性能,拥有更快的收敛速度和更高的学习和泛化能力,可用于实际系统的交通流预测工作。