通过对高速公路交通状态的整体变化趋势进行有效的掌控,可以有效的缓解高速公路的拥堵以及防止交通事故的发生。高速公路车流量预测是其中关键性的问题,而车流量具有复杂性、非线性等特点,使得传统的预测模型无法准确地预测车流量的变化趋势。径向基函数(RBF)神经网络作为一种具有代表性的神经网络模型,它具有学习速度快、收敛性强、自学习、自适应等优点,并且不会出现局部极小值问题,它是对非线性函数的最佳逼近。所以对于RBF神经网络的研究成为了车流量预测模型中的热点问题,但是RBF神经网络中隐层神经元的参数确定是其难点。而智能群算法可以有效的解决该问题,因此,本文提出了利用萤火虫算法优化RBF神经网络,确定隐层神经元的中心、宽度以及隐层神经元到输出层神经元之间的权值。本文首先分析了BP神经网络与RBF神经网络的原理以及结构特点,并对比两种神经网络模型,结果表明RBF神经网络具有结构简单、收敛性能好等特点。其次分别分析了常用的两种智能群优化算法,即遗传算法、粒子群算法,分析了两者的实现原理以及优缺点。接着对萤火虫算法的原理以及在RBF神经网络的应用进行了详细的分析和说明,并提出了基于改进的萤火虫算法优化的RBF神经网络预测模型。最后设计了基于遗传算法、粒子群算法、萤火虫算法优化的三种神经网络模型,并利用真实的高速公路车流量数据对三种神经网络模型进行训练,并利用训练好的三种模型对高速公路上的车流量进行预测,从预测准确度、训练效率以及泛化能力三个方面对仿真结果做了分析。结果表明基于改进的萤火虫算法优化的RBF神经网络预测模型具有更高的预测准确度,更快的训练速度,以及更好的泛化能力。