近年来,社会经济高速发展,人们的物质生活水平不断提高,对汽车的需求也随之增长,因此道路车流量不断增加,道路拥堵等交通问题也日益严重,为了缓解这类问题,随着科学技术的发展进步,智能交通系统(Intelligence Transport Systerm.ITS)应运而生,其中,短时交通流预测在智能交通系统中扮演着重要的角色,短时交通流预测的准确性决定了ITS在交通控制与交通引导功能方面的好坏。因此,短时交通流预测方面的研究依然是智能交通领域的热点。本文在短时交通流预测方面的研究主要完成了以下工作:(1)对国内外短时交通流预测现状进行了归纳分析,从短时交通流数据特性出发对常见预测方法分类对比,研究发现,针对短时交通流强非线性这一特性,深层神经网络以其优越的特征学习能力、浅层神经网络以其良好的自学习、自适应以及能够逼近任意非线性映射的能力均成为了短时交通流预测研究的热点,因此,本文分别利用LSTM和WNN对短时交通流进行预测,仿真结果表明,小波神经网络预测精度较高,对短时交通流数据拟合度更好,从而本文选取小波神经网络作为短时交通流预测研究的基础模型。(2)基于IWOA-WNN预测模型的建立。针对小波神经网络中梯度下降法对权值和小波因子的初值敏感,容易陷入局部极小值,从而影响小波神经网络预测性能的问题,提出了改进鲸鱼优化算法优化小波神经网络(IWOA-WNN)模型用于短时交通流预测,旨在提高模型的预测精度。(3)提出了一种改进的鲸鱼优化算法(IWOA)。针对传统鲸鱼优化算法收敛精度低和收敛速度慢的缺点,引入非线性收敛因子a和Tent混沌映射对基本鲸鱼优化算法进行改进,为了验证该改进算法的寻优性能,与基本的鲸鱼优化算法在5个基准测试函数进行了仿真对比实验,结果表明,本文提出的改进鲸鱼优化算法的寻优速度较快,寻优精度较高。(4)基于IWOA-WNN模型的短时交通流预测。从加州运输性能测量系统(PeMS)中获得了公共交通流数据集,对该数据集进行缺失修补、小波软阈值去噪、相空间重构和归一化等预处理,利用预处理后短时交通流数据对提出的IWOA-WNN组合模型的预测性能进行验证,将IWOA-WNN预测模型分别与WNN预测模型以及GA-WNN、GWO-WNN、CS-WNN三种组合预测模型进行对比实验,通过对预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)的计算与分析,可以看出本文提出预测模型预测精度较高。