随着我国经济的快速发展和人们收入水平的提高,城市的车辆保有量变得越来越高,这使得城市道路交通拥堵、交通事故频发以及环境污染等问题日益严重,其中,城市道路交通拥堵问题最为突出。城市道路交通拥堵的治理,不能单纯的依靠交通政策和城市道路扩容改造,还应该依靠科学的、有数据支撑的交通流量预测方法对道路交通流量进行分析,在此基础上进行交通引流,从而减缓交通拥堵。本文依靠三帧差画框区域流量采集方法采集交通流量数据,以短时交通流量和中长时交通流量预测为重点研究内容,最终实现可靠、预测精度高的智能交通流量预测系统。论文的主要研究内容如下:(1)研究基于视频图像处理的交通流量采集方法。传统的基于视频图像处理的交通流量采集方法多使用帧间差分或背景差分结合虚拟线圈计数的方式,在采集速度上还有待提升。本文提出三帧差画框区域流量采集方法,通过设置有效计算区域,减少了差分计算时的计算量,对于相同的监控视频,通过实验比较,该方法比传统方法的处理速度快20%。(2)研究短时交通流量预测模型。本文首先对BP神经网络预测模型用于短时交通流量预测进行了实验,实验结果表明BP神经网络预测模型的预测平均绝对误差为6.39%,精度还有待提升。对于BP神经网络易于陷入局部极小值的缺点,本文使用遗传算法对其权值和阈值进行优化,结合交通流量的周期性,提出基于遗传算法优化的BP神经网络与历史数据加权预测模型(GA-BP-H),实验得知,GA-BPH的预测平均绝对误差为5.04%。(3)研究中长时交通预测模型。本文首先对BP神经网络和GA-BP-H用于中长时交通流量预测进行实验,其中BP神经网络的平均绝对误差为6.74%,GA-BP-H的平均绝对误差为6.72%,预测精度均有待提升。由于交通流量的周期特性,并且工作日和周末的交通流量存在较大差异,结合中长时交通流量预测的特点,本文提出以周为周期的自回归积分滑动平均模型(ARIMA-W),实验得知,ARIMA-W的预测平均绝对误差为6.11%。在上述研究内容的基础上,论文最终设计并实现了智能交通流量预测系统,并通过系统测试验证了系统的稳定性。