随着经济的发展,交通拥挤现象屡见不鲜并日趋严峻,因延误带来的旅行时间增加导致了经济损耗和环境污染。我国百万人口以上的大城市由于交通堵塞给社会带来的直接经济损失巨大,严重影响了城市的运转效率,阻碍了社会和经济的快速发展。智能交通系统(Intelligent Transport System,简称ITS)综合应用信息技术、通讯传输技术、电子控制技术和计算机处理技术等技术,对交通信息进行有效地采集、加工和处理,目的是实时、精确地反映当前及其未来的交通状态,最终实现对交通进行科学的组织和控制。短时交通流预测模型是ITS的两大核心子系统——先进的交通管理系统及先进的交通信息服务系统的理论基础和数据来源,是实现ITS的关键技术,本文围绕交通流预测中的原始数据处理和预报模型建立进行研究,提出了两种基于小波分析和神经网络的短时交通流预测模型,主要研究成果包括以下四个方面：(1)对通过线圈采集的原始交通流数据的特征进行了分析,提出了对原始采集数据的数据异常(错误数据和丢失数据)的判别和修复方法。(2)将小波理论引入交通流预测,建立了用于交通流降噪的小波理论关键模型,对原始交通流数据进行了降噪处理,对不同阈值和尺度的降噪效果进行了分析。(3)将小波理论和神经网络相结合,分别建立了“松散型”小波-神经网络预测模型和“紧致型”小波-神经网络预测模型。(4)用特大型城市高架道路的实时交通流数据对预测模型的可行性和可靠性进行了验证,并对模型预测结果进行了分析和说明。