近年来随着交通技术的进步,交通设施不断得到改善,智能交通系统(ITS,Intelligent Transportation System)的应用也越来越广泛。智能交通系统中的交通诱导子系统是出行和运输管理系统的主要内容,而准确的短期交通流预测对于合理诱导和控制交通、减少交通拥挤等重要作用。目前的交通流预测模型存在着运算时间长、精度不高等缺点。本文的研究目的在于建立一个能够克服上述缺点的交通流预测模型。灰色预测模型GM(1,1)最大的特点就是算法简单、可利用较少数据建模。这给建模和运算带来了方便,但是灰色预测模型对于具有波动性的系统来说预测的效果不是很理想,而且预测的准确率会随着时间的外推而逐渐降低。神经网络对于非线性系统的预测具有良好的性能,但是在对网络进行训练时,往往需要大量的数据。本文以灰色预测模型为基础,利用灰色预测模型算法简单、建模所用数据少的优点以及BP神经网络对非线性系统预测性能良好的优点,通过BP神经网络对灰色预测模型进行修正,最后建立了一个组合模型。在求解算法中对BP神经网络算法易陷入局部最小点的缺点,结合动量法和自适应学习率的方法对算法进行了改进。通过收集某路段的交通流量数据,利用建立的模型构造了一个算例,通过Matlab软件编程计算,并与单一的灰色预测模型和BP神经网络模型的预测效果进行了对比,结果表明,组合模型能够充分发挥各单一模型的优点同时弱化了单一模型的缺点,比单一模型的预测结果理想。