随着社会经济的快速发展,交通拥堵、交通事故频发以及交通污染等问题已成为社会关注焦点。交通诱导系统和交通控制系统作为智能交通系统的重要组成部分,为改善道路拥挤状况,减少事故,降低能源消耗起到了极大的作用。实时而准确的短时交通流量预测是诱导和控制系统能够正常运转的基础,因此研究短时交通流量预测对城市交通系统有着重大意义。本文在研究交通流特性的基础上,分析目前已有的短时交通流量预测方法的优缺点。针对交通流量的非线性、时变性和不确定性特点,结合神经网络自学习、自适应的良好特性,选择小波神经网络作为交通流量预测模型。针对历史交通流量数据存在异常和缺失的情况,提出了异常、缺失数据检测和处理的方法。采用C-C方法和试凑法确定小波神经网络结构,并利用美国PeMS系统中的真实交通流量数据进行所有仿真实验。提出一种基于改进遗传算法的小波神经网络预测模型。针对小波神经网络不稳定、易陷入局部最优值,引入改进后的遗传算法作为小波神经网络权值和参数的前期优化。利用遗传算法良好的全局搜索能力,先确定全局最优解范围,再结合小波神经网络局部搜索速度快的特定,确定全局最优解。为了防止早熟现象,对遗传算法进行了适应值函数、交叉变异概率设定和进化策略三方面的改进。实验证明,经遗传算法优化的小波神经网络预测更稳定。提出一种误差修正的短时交通流量预测模型(EC-WNN)。针对小波神经网络一经训练完成则无法动态调整和误差略高等不足,利用时间序列模型建立实时的误差预测模型,根据小波神经网络实时预测效果,动态使用预测误差对实时预测结果进行调整。实验表明,经误差修正后的预测模型比小波神经网络预测结果更稳定,更准确。