基于遗传算法的小波神经网络的短时交通流预测是本文的研究重点。日益严重的交通拥挤、道路堵塞、交通环境恶化问题,需要交通控制和诱导系统提供实时准确的道路交通信息,因此短时交通流预测具有很重要的意义。本文首先分析了交通流变化的本质不确定性和非线性特性,然后根据几种小波函数的特点,选取Morlet和Meyer小波基作为神经网络的激励函数,建立小波神经网络模型,然后用遗传算法对小波神经网络的连接权值和伸缩平移尺度进行二次优化。为了提高交通量数据的可利用度,首先对交通流数据进行预处理,用小波分析方法去除交通流信号中的奇异点,达到消噪的目的,为了提高模型收敛的速度和预测的精度,对数据进行归一化处理。在仿真阶段,为了凸显利用遗传算法优化小波神经网络模型的效果,依次用神经网络模型、小波神经网络模型、基于遗传算法的小波神经网络模型层层逼近的方法进行仿真预测,结果表明,拟合程度越来越高,误差逐渐减小,基于遗传算法的小波神经网络模型在短时交通流预测中存在明显的优势,在理论上是可行的,提高了交通量预测的准确性,为交通控制和诱导系统提供了一种新的思路和方法,能够提供较为准确的实时路况预测信息,在一定程度上缓解交通压力问题。