1、隨著城市規(guī)模的不斷擴(kuò)大，車輛數(shù)目日趨增多，城市交通每況愈下，各國政府都在積極建立智能交通誘導(dǎo)系統(tǒng)來緩解交通壓力并提高人們生活質(zhì)量。短時(shí)交通流量的預(yù)測(cè)是建立智能交通誘導(dǎo)系統(tǒng)的核心技術(shù)，也是本文研究的主要方向。
　　通過大量歷史交通流數(shù)據(jù)分析，可以得出交通流重要特點(diǎn)主要是周期性、高度非線性和不確定性。而神經(jīng)網(wǎng)絡(luò)算法是一種對(duì)隨機(jī)和非線性數(shù)據(jù)有良好預(yù)測(cè)能力的方法，具有很好的容錯(cuò)性與學(xué)習(xí)性，但也有容易局部最優(yōu)化等缺點(diǎn)。本文在建立短時(shí)交通流預(yù)

2、測(cè)模型過程中，在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，嘗試了多種非線性領(lǐng)域獲得理想效果的方法來改進(jìn)神經(jīng)網(wǎng)絡(luò)，并應(yīng)用于短時(shí)交通流的應(yīng)用預(yù)測(cè)，改善了預(yù)測(cè)性能。研究工作主要包括以下幾方面:
　　(1)分析了交通流的基本概念、交通流預(yù)測(cè)的數(shù)據(jù)采集和預(yù)處理方法，研究了多種交通流預(yù)測(cè)模型的優(yōu)缺點(diǎn)，并給出了四個(gè)評(píng)價(jià)算法性能的指標(biāo)。
　　(2)在收集歷史交通流數(shù)據(jù)后進(jìn)行了數(shù)據(jù)預(yù)處理操作，采用BP前向神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行預(yù)測(cè)仿真，并獲得預(yù)測(cè)算法性能。

3、r>　　(3)采用小波神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行短時(shí)交通流預(yù)測(cè)，以改善神經(jīng)網(wǎng)絡(luò)收斂速度與預(yù)測(cè)性能。仿真結(jié)果表明，該預(yù)測(cè)結(jié)果優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。
　　(4)采用粒子群算法對(duì)小波神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值進(jìn)行優(yōu)化，并在此基礎(chǔ)之上繼續(xù)進(jìn)行粒子群算法的改進(jìn)。仿真結(jié)果表明，改進(jìn)后的預(yù)測(cè)算法雖然在速度上有所減緩，但精度上獲得了更好的效果。
　　(5)將基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)算法運(yùn)用到實(shí)際的交通預(yù)測(cè)軟件中，通過網(wǎng)絡(luò)助手模擬對(duì)數(shù)據(jù)處理與發(fā)送