随着经济水平的快速增长,交通对人们的生产生活以及整个城市发展的重要程度已经愈来愈深。由于人们的出行需求日益增多,对交通的依赖亦随之增强,使城市机动车保有量达到过饱和,进而造成城市交通拥堵,这不仅会使城市交通网线路瘫痪,同时也会造成严重的大气污染。针对上述问题,智能交通系统中的短时交通流预测能高效预测出路网中的车流量,为出行者提供实时的路况信息,从而缓解交通拥堵。本文通过对国内外短时交通流预测以及群体智能优化算法原理的研究,提出了一种改进狼群算法与BP循环神经网络结合的组合模型(IWPA-BPRNN),致力于加快算法的收敛速度以及减小交通流的预测误差。本文首先选择美国明尼苏达大学交通运输研究实验室所收集的真实交通流数据,作为本研究的数据源。实验前期通过比较,选取较优质的、更能体现交通流数据特性的一组数据作为实验数据,并对该组数据进行加和处理、异常数据的补充以及正反归一化的预处理,整理为本文想要的,易于进行实验研究的数据形式。在改进狼群算法(Improved Wolf Pack Algorithm,IWPA)中,由于人工狼在寻优过程中容易过早陷入局部最优位置,为了改进这一缺陷,对影响人工狼游走行为的参数做出适当的调整,并改进人工狼在智能捕食行为中的奔袭步长与围攻步长,从而达到算法前期更快收敛的目的。狼群算法结构较复杂,在迭代后期可能出现收敛速度明显下降甚至无法寻得最优解等问题,因此本文提出BP循环神经网络模型与狼群算法形成互补。BP神经网络有误差反向传播寻优的特点,循环神经网络(RNN)有能充分考虑信号与信号间相互关联的优点。在预测过程中,前期利用改进狼群算法高效率寻优,后期利用BP循环神经网络误差反向传播寻优,能有效解决狼群算法后期遇到的种种问题,并提高预测精度。最后借助MATLAB平台以及相应的代码,将模型实现,并应用选取的数据验证模型的性能。通过将IWPA-BPRNN模型与无狼群算法的BPRNN模型预测结果进行比较,分析得出IWPA-BPRNN模型预测效果更好,具有收敛速度快和预测精度高的优点。