随着人工智能的兴起,针对如今交通拥堵和交通压力激增的状况,研究人员在交通领域提出了智能交通系统。拥有准确度高、时效性快的交通流预测系统是智能交通系统运行的必要条件,通过准确实时的交通流量预测,预测目标道路未来5分钟至半小时内的交通流量,根据预测值提前使用交通控制管理系统对路面交通状况进行调控,从而达到缓解拥堵,提高交通通行效率的目的。因此,本文对短时交通预测算法在优化预测准确性、时效性方面进行改进,对减少区域内交通延误时间来展开研究工作。(1)针对目前交通流数据的爆炸性增长、预测精准性不高和预测速度较慢等的问题,提出了一种融合多种因素的组合预测模型,首先采用K-means++对时间特征因子进行聚类,降低不同分类器之间的相关性,然后利用随机森林算法构建预测模型。实验表明,相比于传统的智能预测模型,此模型预测精度有明显的提高。另外,为了解决预测时间过长问题,本文选择具有分布式并行处理能力的Spark计算框架对随机森林算法进行并行算法训练,在保证模型预测精度的前提下,缩短预测所需时间。通过实验分析,达到了对于交通流准确预测和快速预测的要求。(2)建立了以区域内交叉口车辆延误时间最短的交通协调控制模型,针对传统时延模型Webster算法未考虑道路流量饱和状态和HCM2000算法未考虑内部道路之间相位差因素,提出了改进的延误模型。将区域内交通分为内部道路交通流和外部进口道路交通流,分析汽车延误状态和相位差协调机制,关联区域路网交叉口,建立区域交通协调控制模型。(3)在区域交通协调控制模型上,利用改进的遗传算法对区域内各个交叉口的周期、相位和相位差进行参数优化,求解最优的参数模型以减少车辆平均延误时间。在算法的设计中,本文首先总结了遗传算法作为优化求解方法的优势和局限性,并据此提出了遗传算法关于遗传算子参数取值方法的改进,将交叉和变异概率与种群的适应度相联系,提高了算法收敛速度和运行效率,也提高了在求解全局最优解过程中的鲁棒性。(4)使用VISSIM交通仿真系统对一个含有四交叉口的路网区域进行建模仿真,根据实地采样数据、传统协调延误模型求解结果和本文提出的优化模型求解结果进行仿真运行,输入各交叉口的延误时间和相位时间。实验证明,本文的方案能够有效缩短区域内车辆的延误时间。