城市交通问题长期困扰城市的发展,智能交通系统(ITS)作为解决这一问题最有效的手段而得到了世界范围的认可。ITS处理交通问题主要从时间和空间上对交通进行了妥善规划,时间上控制有交通控制子系统,空间上有交通诱导子系统,还有辅助的交通服务子系统等,而贯穿各个子系统的核心技术之一就是交通信息预测技术。对交通信息中的交通流预测是本文研究的主要方向,由于具有很强的非线性和随机性,建立短时交通流的数学模型是很困难的,本文尝试了多种在非线性领域获得很好效果的智能算法来研究,获得了很好的效果：第一,首先采用混沌理论中的灰色系统,对它的基本概念和建模相关理论进行了简要的论述。并采用灰色预测模型中的GM(1,1)模型对交通流建模,详细的叙述了建模步骤及应用范围,分析了初始预测精度不高的原因,并在此基础上提出了灰色预测模型的改进方法,使结果得到了有效的改善。第二,对于灰色预测模型稳健性不高的问题,采用了在非线性拟合方面有特长的神经网络建立交通流预测模型。本文采用了三层感知器网络的拓扑,首先加入了BP算法,对预测结果进行分析研究,讨论了隐含层神经元个数及其他参数对预测效果的影响,同时研究更加先进的RBF神经网络和GRNN神经网络,并和BP神经网络进行了对比研究。第三,针对神经网络固有算法上的一些缺陷,例如全局搜索能力不强,极易陷入局部极小值等,采用了分别混合有主要有遗传算法和小波算法的智能算法进行补足。结合遗传算法时,采用的是三层感知器网络的拓扑,BP算法和遗传算法并行运算,利用遗传算法全局搜索能力和迭代进化的能力选好最优的权值和阀值,然后代回BP算法做反向计算误差,替换了原算法中梯度下降部分,使得预测精度得到了改善。但是遗传算法的计算过程复杂,计算量很大,计算时间长,对硬件的需求更高,所以又提出了以三层感知器网络拓扑结构为基础的融合性小波神经网络,依旧是在原网络拓扑结构上,隐含层设置为小波基函数,这样原有的阀值和权值就会被小波参数所取代,相应的隐含层对信息处理的能力就得到了加强,弥补了神经网络的不足。最后,以江门市迎宾大道实测交通流数据为样本进行预测实验,结果表明：灰色理论预测模型算法结构简单,预测精度满足短期交通流预测的要求；RBF网络具有更强的稳定性,避免了陷入局部最小,而遗传神经网络、小波神经网络预测模型有很强的学习能力,不仅继承了神经网络优点,又弥补了神经网络的不足,改善了网络模型的预测精度。本文所建立的几个不同的预测模型虽然各有优缺点,但各自有其应用范围。在一个完整的区域交通控制系统中,考虑多种因素的战略预测模型可以应用计算能力强的遗传神经网络模型,具体的干道和路口可以应用更为灵活的小波神经网络模型,一些只需布设虚拟检测器的低流量小路口和交通数据清洗及预处理都可以应用灰色理论预测模型。在不同的应用中各个算法可以充分发挥自己的优点,在整体智能交通控制系统中都有较强的实用性。