伴随着城市道路交通系统的完善以及人们生活水平的提高,机动车保有量不断增加,随之而来的交通拥堵问题已经成为全球性的“城市病”。道路交通预测对城市交通控制系统和交通管理系统具有重要意义,准确的交通预测可以为出行者提供出行诱导,避开拥堵路段,提升城市路网的整体运行效率。此外,随着互联网的快速发展,人们倾向于将自己的所见所闻分享在社交网络平台上。文本不仅构建面向城市道路交通流数据的交通预测模型,而且对微博社交平台上有关交通事件的文本进行提取与分析,进而达到交通预测的目的。在构建面向城市道路交通流数据的交通预测模型方面,首先对交通流数据进行降噪处理与特性分析。针对交通流数据的时变性和非线性,选取BP神经网络模型作为预测模型的基础,由于BP神经网络具有易陷入局部最小值等缺点,提出利用自变异烟花算法改进BP神经网络预测模型,从而实现了BP神经网络算法参数的动态寻优,避免了寻优过程中过于依赖初始值、陷入局部最小值的问题。并对北京二环快速道路上的多条路段,多个时段进行预测实验。通过对比实验以及相关的评价指标证明了本文所提出的模型更加适用于短时交通流预测。在构建基于交通微博文本的交通预测模型方面,首先利用网络爬虫技术获取与交通事件相关的微博文本。鉴于微博语言的简洁性和随意性,构建多特征词函数筛选模型与文本表示模型,对交通微博文本进行特征词提取与表达。利用贝叶斯分类器、K近邻分类器、支持向量机分类器三个模型的组合分类方法对交通事件进行识别。并对交通事件博文的交通信息进行提取从而实现道路交通预测。自变异烟花算法改进BP神经网络预测模型通过数字对道路交通未来情况进行描述,但该模型对交通流数据急剧变化预测失效;对预测数值较小的情况,无法给出明确的结论。而基于交通微博文本的交通预测模型可以很好的解决这两类问题,但该模型受博主发表微博的限制,无法对任意时刻任意路段的道路交通进行预测。因此,采用两种预测模型的方法可以准确的对道路交通进行预测。