随着经济的快速发展,智能交通在城市交通控制和诱导中起着越来越重要的作用。交通流预测是实现交通控制和诱导的基础,传统的交通流预测技术己经不能满足实际需求,一些精度更高的预测方法特别是智能计算方法不断涌现。本文对粒子群优化的神经网络在交通流预测中的应用进行研究,研究主要包括以下方面：(1)在现有的短时交通流预测模型的基础上,提出两种基于信息融合的短时交通流预测模型,一种是多种模型加权平均的融合模型；一种是利用各种算法的优点互补,方法融合的模型。(2)采用小波神经网络进行短时交通流预测,以改善传统的BP神经网络所存在的训练时间长、收敛速度慢、容易陷于局部极小值等缺点。仿真结果表明预测效果优于BP神经网络。(3)采用改进粒子群优化算法优化小波神经网络的权值和阈值,建立基于自适应变异粒子群优化小波神经网络的预测模型。预测仿真结果表明,该融合模型提高了小波神经网络的收敛性及预测精度。(4)提出基于混沌粒子群优化小波神经网络的短时交通流预测算法,以改进粒子群优化算法寻优后期容易出现“惰性”粒子,过早地收敛到局部最优点。仿真结果表明,该融合模型的预测效果优于粒子群优化的小波神经网络,提高了收敛速度。