交通流预测是智能交通系统实现交通诱导和控制的前提条件。交通流具有很强的非线性和时变性，要求预测模型具有实时性和准确性。因此对交通流进行实时准确的预测是一个热点的研究课题。交通流看似混乱无章，实际上存在混沌等特性。因此首先对交通流进行可预测分析，如果预测时间小于其预测尺度，便能保证交通流的可预测性。本文利用自相关函数及gp算法分别求出最佳延迟时间和最佳嵌入维数，再建立递归图形象的描述交通流的可预测性。交通流样本的好坏直接影响预测结果；因此需要对交通流数据进行预处理，本文提出一种改进的阈值函数法对交通流进行去噪处理。大量的前期研究表明采用单一预测算法很难达到预期的精度要求。本文提出了基于改进的蚁群小波神经网络的短时交通流预测方法。该方法初期采用改进蚁群算法对小波神经网络的参数进行训练，在全局范围内获得较优的初始解；后期采用BFGS算法优化小波神经网络，克服了单纯采用蚁群算法进行训练收敛速度慢的缺点。本文提出了一种改进的蚁群算法用于优化小波神经网络。该方法一方面采用自适应的信息素挥发强度，以提高在全局范围内获得较优解的能力；另一方面采用改进的信息素更新公式，以强调最优路径对下一代蚂蚁的影响。文章最后对改进的蚁群小波神经网络（简称IACO IWNN）进行了实例验证。