随着国民经济的不断增长,人民生活水平的不断提高,汽车进入寻常百姓家已成为现实,交通需求和交通量也迅猛增加,随之而来的交通问题日益突出,而对交通流进行科学合理的预测,是解决交通管理问题的前提和关键。因为交通系统是一个随机、不确定的复杂大系统,对它的研究,很难建立精确的数学模型,本文借助于神经网络、粗糙集理论、模糊理论、粒子群算法等对交通流进行预测,主要工作如下:　　 1.研究了基于BP神经网络的交通流预测方法。首先介绍了BP神经网络的结构,建立了BP网络预测模型,给出了BP网络的训练算法,并用Matlab人工神经网络工具箱对该模型进行仿真。其次,为了解决基本BP算法收敛速度慢,容易陷入局部极小值的缺陷,本文对基本BP算法进行了改进,仿真结果表明改进的BP算法误差较小,收敛速度更快,但改进后的BP网络还是难以确定隐层及隐层节点的数目。　　 2.研究了基于RBF神经网络的交通流预测方法。为解决BP网络的上述问题,设计了基于RBF网络的交通流的预测模型,给出了RBF神经网络的训练算法,并用粒子群算法对RBF神经网络的网络中心、权值和方差进行了优化,仿真结果表明RBF网络收敛速度快,不会陷入局部极小值,适应于实时性强的交通流预测。　　 3.研究了基于粗糙神经网络的交通流预测方法。结合粗糙集理论和神经网络建立了基于粗糙神经网络的交通流预测模型,给出了数据清洗模型和粗糙神经网络的训练算法,仿真结果表明粗糙神经网络适用于复杂交通流预测。　　 4.研究了基于模糊粗糙神经网络的交通流预测方法。建立了基于模糊粗糙神经网络的交通流预测模型,设计了两级协调模糊控制器,仿真结果表明该模型预测精度高,收敛快,鲁棒性好,适应于多交叉口交通流的实时预测与协调控制。