该文应用人工神经网络的理论,重点研究适用于实时运态交通流量预测的神经网络模型和有关算法.文中首先讨论了BP网的模型和算法,根据标准BP算法存在的收敛速度慢和局部最小点问题,用运态学习率和动量法进行了改进,并对网络输入和输出数据的预处理问题进行了讨论.从径向基函数神经网络的理论基础、基本模型和基本算法入手,分析了它们存在的问题,并提出了相应的改进方法.用"最小距离最大"初始化方法消除了径向基函数网络存在的冗余中心点;用正交最小二乘法使网络中心点的解定变得更为有效.对于径向基函数网络来说,当输入维数增加或样本数据复杂化时,网络的中心点数会变得非常庞大,为解决这一问题,提出了径向基函数网络的附加权方法.对附加权采用了运算效率很高的EM算法进行学习,不但使网络的映射能力得到加强,而且保持了径向基函数网络收敛速度快的优点.该文最后一章在分析了影响交通流量的相关因素以后,提出了交通流预测神经网络的最终模型.对于网络的输入,提出不但要包括该路口交通流量的历史数据,而且要包括各相关路口的当前数据.同时,为了提高网络的预测精度,提出了网络分段训练和分段运行的方法.