城市内高速公路,主要给城市内部的车辆提供中短途的快速通行服务,车流波动较大,与普通道路耦合程度较高,故对其进行准确的交通流短时预测可以给整个城市交通带来巨大便利。交通流量的短时预测是交通控制和交通诱导的重要前提,也是本文研究的主要方向。交通流通常表现出周期性、不确定性和高度非线性等特点,而神经网络刚好具有良好的非线性映射能力和学习能力。因此,本文将重点研究基于神经网络的短时交通流预测算法。在神经网络中,BP神经网络作为前馈型神经网络的核心部分而得到了广泛的应用,但它在实际应用中也存在容易陷入局部极小值和收敛速度慢等缺点。为此,本文将针对这些缺点对BP神经网络进行改进,并将优化后的算法用于高速公路交通流短时预测。首先,描述了交通流预测基本概念,包括交通流的三个重要参数和交通流的特性,介绍了交通流数据的采集和预处理方法,研究了多种高速公路动态交通模型,并给出了四种交通流预测性能评价指标。然后,详细描述了BP神经网络短时交通流预测模型的建立过程,包括输入输出节点数和隐层节点数的确定与样本库的生成,用确定好的BP神经网络预测模型对实际高速公路交通流数据进行仿真实验,并对预测结果进行分析,证实了用BP网络算法来进行高速公路交通流量短时预测是可行的,但是效果还有待提高。其次,用一种以小波基函数取代BP神经网络隐含层的Sigmoid函数的小波神经网络模型继续进行仿真实验,并与BP算法进行比较,进一步提高了预测算法的相关性能。最后,将最大最小蚁群算法与小波神经网络进行了融合,利用蚁群算法为所建立的小波神经网络提供一组相对较优的权阈值,来进行仿真实验,结果表明经蚁群算法优化的小波神经网络可以较贴合地拟合出交通流的变化规律,该预测算法有一定的实用价值。