交通荷载的动态预测是进行路面设计和评价的前提,其预测的正确与否将直接影响到设计和评价的合理性。交通荷载的变化受各种因素的影响,特别是随着时间的推移,交通荷载将呈现出动态变化的趋势。事物之间存在其内部固有的规律,历年的交通荷载变化也应有一定的规律。这种规律可能不是一般的规律,它有其复杂性。在以往的交通量预测方法中都对这种规律进行了研究,但效果并不是特别好。人工智能技术的出现给预测方法的改进提供了更好的理论。神经网络使预测的精度更进一步提高,但它本身也有缺点。为了弥补这些缺点,本文提出了将遗传算法和神经网络相结合,通过遗传算法对神经网络进行优化,利用历年的交通荷载量对网络进行训练。优化后的神经网络能更好的反映出交通荷载量之间的内部关系。利用经过优化、训练好的神经网络再进行预测,就能得到理想的效果。本文采用人工智能的方法开发路面交通荷载预测模型。针对预测系统的非线性,采用将遗传算法与BP网络相结合的算法。利用遗传算法全局寻优的特点来优化BP网络权值和阙值,从而克服了BP网络固有的缺陷。用这样一个较优的GA-BP模型对路面交通荷载进行预测。采用MATLAB语言对所建模型进行仿真,从而验证了模型的可行性。将GA-BP算法与已有的其他算法进行比较,得出GA-BP算法的性能优越性。取河南省1988～1993年的平均交通荷载量进行训练,用1994年的平均交通荷载量进行模型检验。对比各种预测方法的预测结果,得出GA-BP预测的准确性。