智能交通管理系统是解决现代交通问题的重要手段,然而城市道路交通系统变化复杂,极难预测。作为智能交通系统的基础问题,短时交通流预测具有重要的意义,因此,本文重点研究的是在对交通流的相关基础知识进行分析的基础之上,交通流预测模型使用及其改进,这就需要对历史和实时的交通流数据进行收集及处理,研究目的是为智能交通管理系统提供基础数据和决策支持,使得交通管理决策更加科学化。由于交通流问题是复杂和非线性的,目前,任何单一的预测模型都无法完全满足或匹配预测的要求,因此本文对预测模型进行了一定的改进。本文的主要工作有以下三个方面:第一,本文分析了交通流的基本定义,性质,并阐述了交通流数据采集方法,分析了数据异常识别方法,并介绍了四类交通流的预测模型。第二,本文首先研究了广泛应用的交通流预测模型-神经网络,在此基础上,提出了改进的粒子群算法优化小波神经网络模型对交通流进行预测。鉴于小波神经网络极强的非线性处理能力、自组织、自适应和学习能力,采用其作为基本预测模型,然而小波神经网络也存在收敛速度慢等缺点,因此利用粒子群算法收敛速度快、鲁棒性高、全局搜索能力强的优点,选择粒子群优化算法对小波神经网络的参数进行训练,组成粒子群算法小波神网络预测模型,以改进基本小波神经网络模型在短时交通流预测中的性能。最后,本文进一步研究对于粒子群算法的改进,改进的思路主要是从粒子群算法的关键参数着手,基于云模型在改进群智能算法上显出的优点,本文采用云模型优化粒子群算法,使粒子群算法的搜索和寻优能力得以提高,由此建立了基于云粒子群算法优化小波神经网络的短时交通流模型。第三,基于交通流的仿真实验,本文分析比较了基本粒子群算法和改进的粒子群算法优化小波神经网络模型的优缺点,以及各个模型预测结果的误差对比。