交通流预测是智能交通系统的热点。近些年来,各个领域的研究者们提出了很多交通流预测的方法,其中,智能学习方法最为活跃。但交通系统自身的复杂性和高度非线性,使得至今没有一种算法可以实现短时交通流的精确预测,关于短时交通流预测的研究也从未停下脚步。本文首先对来源于美国明尼苏达德卢斯大学交通数据研究实验室的交通流数据进行识别,完成数据的补缺、修正和降噪处理,并从交通流数据的混沌性角度出发,对数据进行了相空间重构,以挖掘更多的隐藏信息。为了加快程序的收敛,还对数据进行了归一化处理。在分析了各模型的优缺点之后,建立了基于小波神经网络(Wavelet Neural Network, WNN)的短时交通流预测模型,并进行了仿真实验。结果表明,基于WNN的短时交通流预测具有很好的效果,但精度和稳定性还有待进一步提高。其次,针对单个小波神经网络存在的误差随机性,受集成学习思想的启发,本文提出了基于Bagging-WNN的短时交通流预测模型,利用单个模型之间的差异性,来提高整个系统的泛化能力。仿真实验表明,基于Bagging-WNN模型的短时交通流预测结果比WNN模型的预测结果精度更高。然后,针对基于梯度下降算法的小波神经网络对初始值敏感的缺点,引入了一种新的智能学习算法——布谷鸟搜索(Cuckoo Search, CS)算法来对小波神经网络的参数进行前期优化,建立了基于CS-Bagging-WNN的短时交通流预测模型,并与基于GA-Bagging-WNN和基于PSO-Bagging-WNN的模型进行了对比实验。结果表明基于CS-Bagging-WNN模型的预测精度有了一定的提高。最后,为进一步提高预测精度,提出一种鸟巢更新率自适应调整的自适应布谷鸟算法(Adaptive Cuckoo Search, ACS),将其与集成小波神经网络结合,构成了基于自适应布谷鸟算法的集成小波神经网络(ACS-Bagging-WNN)短时交通流预测模型。仿真实验表明,相比以上提出的各模型的预测效果,ACS-Bagging-WNN模型的精度更高,整体性能更好。