本论文主要研究单一路口短时交通流的预测方法,提出了基于小波分解的AR模型和小波神经网络相结合的混合预测方法。通过分析城市路口交通流样本数据的特点,得出由于短时交通流表现出强烈的非线性、时变性、不确定性,单一的预测方法很难达到预测精度的要求,因此,本文提出将交通流数据先进行“频率”分解,首先利用小波变换将交通流数据进行滤波,将各种不确定因素造成的交通流突变的成分按照频率段过滤到4个频段上,得到一个基本数据序列以及4个不同频段的干扰信号数据序列,这样分解后的各组数据都成为成分相对简单、数据变化比较平稳的数据列。然后利用AR模型和小波神经网络模型分别对不同频段上的分解数据分别进行预测。通过比较分析得出利用小波神经网络模型代替传统的BP神经网络模型对分解后的低频信号进行预测,改进了BP神经网络难以科学的确定网络结构、算法收敛速度慢,容易陷入局部极小的固有缺陷,提高了预测精度;经验表明对于分解后的高频信号分量,AR模型和神经网络都可达到要求的预测精度,但 AR模型预测过程的计算量明显少于神经网络,因此,在预测精度相似的情况下,选择利用AR模型对高频数据进行预测,提高了预测速度。最后再将各序列预测结果相加,得到精度较高的总体交通流预测结果。通过对混合预测方法的matlab仿真试验,比较预测值与实际值的拟合程度,说明该方法可以较好地实现单路口短时交通流预测。论文最后,通过对比该预测方法与其他预测方法的预测效果,得出该方法具有预测精度高、速度快的优势。