短时交通流预测是智能交通进行交通诱导和控制的前提,能够有效改善智能交通系统性能。影响短时交通流预测的交通变量有很多,但同时采用过多的交通变量会引入噪声,增加计算量,影响预测的实时性和精度,如何进行交通变量的选择是一个值得研究的问题。短时交通流是一个高度复杂的非线性系统,具有随机突变性。BP神经网络有较强的自学习能力,能够逼近任意的非线性映射,适合用于短时交通流预测。但是,BP神经网络也存在对参数初值敏感、收敛速度慢、易陷入局部最优等问题,需要对其进行改进。本文针对这些问题,对短时交通流预测进行了研究,主要完成工作如下:1.针对多数方法主要依赖经验选择交通变量,缺乏理论支撑,具有一定的盲目性,有可能陷入局部最优问题;本文利用一种互信息特征选择技术,采用互信息评估交通变量的相关性和冗余性,使用特征选择对交通变量进行相关性过滤和冗余过滤,为预测模型提供一个恰当的交通变量组合。实验结果表明,该方法能够有效减少计算量,在一定程度上避免变量选择的盲目性,对模型预测精度也有所提升。2.针对标准的BP神经网络对参数初值敏感,易于陷入局部最优以及其激励函数比较平滑,逼近能力较差的问题,本文采用小波分析理论和克隆选择算法对其进行综合改进。小波函数具有快速衰减和多尺度分辨特性,适合处理震荡数据,将其作为BP神经网络的激励函数,以提高BP神经网络的逼近能力和收敛速度。克隆选择算法是一种全局搜索技术,具有寻优能力强,收敛速度快等特点,对其改进后再优化神经网络的参数,以避免神经网络陷入局部最优。实验结果表明,本文提出的方法相对BP神经网络具有更高的精度,是一种可行的方法。