城市交通流通过大量的交通流信息表征其特性和规律,综合反映了城市交通综合状况,是交通管理、交通决策必不可少的科学依据,是十分宝贵的信息资源,也是城市居民出行的主要参照依据。由于城市交通流信息中包含大量可用于改善交通运行状况的规律,所以如何挖掘其潜在的价值和规律是当今研究的热点之一。本文主要从两个方面对交通流信息进行分析。(1)城市路口间的交通流相似性分析与研究。以往的实践研究都是基于时间上的交通流信息相似性分析,如：周相似特性下的交通流分析等。而交通流信息是具有时空相关性的,所以对于一个区域内的路口间的交通流信息不仅要考虑时间上的变化,也要考虑空间上的因素。事实上,路口之间的交通流存在着如下的联系,比如：相邻路口之间的相似度是最大的,而且远大于与非相邻路口的相似度；路口之间的相似度与距离成反比,即两个路口相隔越远,相似度越小等等。这样,交通管理者可以利用这些有用的信息来管理这个区域的交通。因此本文把路口间的距离作为一个影响因子嵌入到相似度计算的公式中,并最终拟合出一个标准公式来计算路口间交通流量的相似度。(2)短时交通流预测。本文提出了一种高效的短时交通流预测方法：基于蚁群聚类的RBF神经网络短时交通流预测方法。RBF神经网络因其在逼近能力、分类能力和学习速度等方面的优点,被广泛应用于各个领域。蚁群聚类算法作为一种分布式寻优算法,展示了其优良的搜索最优解的能力,能够应用于各种优化组合问题。本文就是用蚁群聚类算法确定RBF网络的隐层中心值,对基本的蚁群算法作了进一步改进,并且加入局部搜索,然后把改进的蚁群聚类算法与RBF神经网络结合用于短时交通流的预测。