智能交通系统(Intelligent Transport System, ITS)正是为了改变交通状况、减轻交通拥挤、减少交通事故、制止交通环境的恶化,使现代化的交通更好地为经济建设服务和发展而建立起来的一个综合领域。交通流量预测作为ITS的关键问题之一,如何改进交通流量预测的方法,提高预测精度成为目前研究的热点。本文以模糊神经网络和混沌理论为基础,研究基于模糊神经网络的交通流量预测问题。在混沌相空间重构理论基础上,研究了自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System, ANFIS)和基于神经网络集成的T-S(Takagi-Sugeno)系统这两种模糊神经网络,随后将其应用于交通流量预测实例分析。最后与现有的神经网络预测方法进行了比较分析,结果表明了模糊神经网络方法的有效性。本文主要研究内容包括如下几个方面：(1)首先研究了模糊神经网络结构,进一步对ANFIS和基于神经网络集成的T-S系统及相应的学习算法进行了分析研究。(2)将混沌理论引入交通流量预测,分析了交通流量时间序列的混沌特性,研究了时间序列嵌入维数和时间延迟参数的选取。通过递归图分析了交通流时间序列的可预测性。(3)针对实际交通流时间序列,将ANFIS以及基于神经网络集成的T-S系统预测模型应用于北京某公路监测站和英国交通局官网的两组实测数据预测。通过研究不同嵌入维数和时间延迟下预测模型的性能,并与现有的神经网络方法构建的预测模型进行了性能比较。实验结果表明,在最优嵌入维数和时间延迟下构建的ANFIS以及基于神经网络集成的T-S预测模型,均具有较好的预测能力,其预测精度明显优于现有的神经网络方法。在交通流量时间序列预测中,模糊神经网络方法是有效的。