随着城市规模的不断扩大,车辆数目日趋增多,城市交通每况愈下,各国政府都在积极建立智能交通诱导系统来缓解交通压力并提高人们生活质量。短时交通流量的预测是建立智能交通诱导系统的核心技术,也是本文研究的主要方向。通过大量历史交通流数据分析,可以得出交通流重要特点主要是周期性、高度非线性和不确定性。而神经网络算法是一种对随机和非线性数据有良好预测能力的方法,具有很好的容错性与学习性,但也有容易局部最优化等缺点。本文在建立短时交通流预测模型过程中,在传统神经网络算法的基础上,尝试了多种非线性领域获得理想效果的方法来改进神经网络,并应用于短时交通流的应用预测,改善了预测性能。研究工作主要包括以下几方面:(1)分析了交通流的基本概念、交通流预测的数据采集和预处理方法,研究了多种交通流预测模型的优缺点,并给出了四个评价算法性能的指标。(2)在收集历史交通流数据后进行了数据预处理操作,采用BP前向神经网络算法模型进行预测仿真,并获得预测算法性能。(3)采用小波神经网络算法模型进行短时交通流预测,以改善神经网络收敛速度与预测性能。仿真结果表明,该预测结果优于传统神经网络。(4)采用粒子群算法对小波神经网络的权值阈值进行优化,并在此基础之上继续进行粒子群算法的改进。仿真结果表明,改进后的预测算法虽然在速度上有所减缓,但精度上获得了更好的效果。(5)将基于粒子群优化神经网络的短时交通流预测算法运用到实际的交通预测软件中,通过网络助手模拟对数据处理与发送,客户端软件通过算法实现预测模块功能,体现其实际应用价值。