对于车流量的短时预测是智能交通系统的重要环节,也是一直以来交通领域中的重要研究方向。做到实时准确的车流量预测是智能交通其它一些相关环节的重要前提,不仅可以使城市的交通状况得到优化,在此基础上还能进一步提升能源有效利用率,降低环境的压力,加速社会的发展。纵观以往车流量相关的研究,几乎都只是基于单一节点车流数据这一维度来进行的,很少有其它相关信息可以参考,而电子车牌的出现为我们更好地获取有关数据打下了基础。由于电子车牌数据字段的丰富性,电子车牌数据的投入使用将使智能交通相关领域的研究进入一个崭新的阶段。根据电子车牌数据集,人们可以从中获得以前难以把握的信息,并投入到车流量预测的实际研究中。由于电子车牌可以唯一确定一辆车,所以文中可以非常方便地将前后相继的多个节点通过它们之间的内在关系将它们有效地关联起来进行考虑,而这在以前是很难做到的。本文中主要以重庆市电子车牌采集点所获得的数据来进行相应规律的挖掘和研究。首先,对原始数据集做初步的数据整理,然后利用小波分析来做进一步除噪和特征提取;接着,选用合适的模糊理论和神经网络的组合模型,分析模型的输入接口,并对预测模型中的机理进行阐述;最终,以实验来验证相关理论的合理性和有效性,并得出相应的结论。本文的主要内容如下:(1)引入小波分析进行数据除噪和特征提取。对数据进行整理只是预处理中的先行工作,以数据记录为单元进行操作,而小波除噪则是以数据逻辑为准则。采集的实际数据往往会因为种种情况而掺入一些“杂质”,通过小波分析的手段来“净化”可以使数据集更加贴近实际稳定状态。(2)考虑前驱采集点和后继采集点对当前节点流量的影响。前驱节点的部分车辆会驶入当前节点,可以通过前一段时间相关道路间车流量的转换率来估计,从而可以缓冲突发状况下车流量发生突变时对预测精度造成的冲击;而后继节点的流量情况可能会使一些车辆改变行驶路线,所以也应适当加以参考。(3)验证电子车牌数据集的可预测性;采用合适的模糊神经网络预测模型,提升预测精度。神经网络是经典的预测模型,它和模糊理论的结合已被证实为很好地互补组合。(4)从多个角度对实验效果进行比较。首先,分析了数据层面的影响因素;其次,将神经网络和组合了模糊理论后形成的模糊神经系统的预测效果进行对比,说明模糊理论对神经网络的改进作用;最后,将模糊神经网络和其它经典预测算法的效果做出对比,说明使用组合模型的科学性和合理性。同时从各个所选模型的预测情况也验证了本文所用预测框架的有效性。