随着信息技术的发展,智能交通系统和数据挖掘都成为研究热点。智能交通系统基于GIS(Geographic Information System)技术的应用和发展,拥有了庞大的空间数据,如何充分利用这些空间数据,从中发掘出隐含其中的知识,进而依据这些知识进行决策,从而使GIS成为更智能的系统,成为数据挖掘研究的一个重要内容。交通控制与诱导系统,是ITS研究的热门核心课题,而实现交通流诱导系统的关键问题是实时准确的交通流量预测。本文基于深圳市城市交通仿真系统(SUTSS)的空间采集数据支持,结合数据挖掘技术中的神经网络模型,主要运用了BP神经网络的结构,构造出短时交通流量的预测模型。其中改进了传统的神经预测完全黑箱操作的模式,引入了交通流理论的相关概念,对训练样本进行先分类,后学习的方法,提高预测模型的精准度,一定程度上,避免神经网络收敛速度过慢,陷入局部极小。并通过采用路段实测交通采集数据,验证所提的算法的有效性。