作为智能交通系统的重要研究方面,交通流诱导系统是目前公认的提高交通效率和机动性的最佳途径。交通流诱导系统的实质是向出行者提供实时准确的交通信息。交通流量是城市道路交通状况的一种重要信息,因此交通流量预测具有重要的现实意义。由于影响交通流量的因素众多,这就给交通流量预测,尤其是短时的交通流量预测带来了困难。神经网络技术由于其较好的适应性,已经成为信息预测的常用模型。本文在传统神经网络的基础上,利用线性独立函数和带有可调参数的Sigmoid函数构造了一种新的智能神经元模型,分析表明,这种智能神经元有较高的信息存储能力,使神经网络的信息处理能力大大增强。同时为了缩小神经网络输入模式的规模,本文利用相关性理论分析相邻路段不同时段流量的相关性,选择与被预测路段相关性大的路段流量作为神经网络输入,建立了基于广义神经网络的交通流量预测模型。实验结果表明,本文设计的广义神经网络模型的收敛速度和预测精度较传统BP神经网络大大提高。神经网络计算具有内在的并行性,并行处理方法是减少神经网络学习时间的有效方法,为了进一步加快神经网络的学习速度,本文设计了一种基于训练集分解的广义神经网络并行学习算法,采用一种新的任务间的通信策略,减少了算法执行过程中的通信量,本文在机群环境下对该算法进行了测试,实验结果表明,该并行算法在加快神经网络的学习速度方面是很有效的。同时本文实现了网格环境下的广义神经网络的并行学习算法。