近年来,短时交通流预测已经成为智能交通系统(ITS)研究的热点领域。短时交通流预测是解决交通控制系统和交通诱导系统等领域问题的关键。研究短时交通流预测的理论和方法,从而实现比较准确的预测未来15分钟甚至更短时间的道路交通状况,这对于缓解城市交通拥堵、避免社会资源浪费有着重要的意义和应用价值。论文以城市中快速路单断面的交通流量为研究对象,考虑该断面过去若干时刻的交通流量,分别建立了基于小波神经网络和基于Elman神经网络的短时交通流预测模型。首先,针对小波神经网络中存在的许多问题,如网络收敛慢、易陷入局部极小点、容易引起震荡效应,论文对传统的小波神经网络训练过程进行了一些改进,即在权值和阈值的调整过程中引入了附加动量项。最后,网络在修正其权值和阂值时引入附加动量项,使得其不仅考虑了误差在梯度上的作用,而且考虑了在误差曲面上的变化趋势的影响。仿真实验表明：动量项的引入不仅减小了学习过程的震荡趋势,而且比较明显的改善了网络的收敛性,训练效果也比较理想。针对现有文献对利用Elman神经网络进行交通流预测,由于网络易陷入局部最小值而导致预测精度不高的问题,提出了一种基于遗传算法的Elman申经网络的短时交通流预测模型。该模型首先采用遗传算法优化Elman神经网络的权值和阈值,种群中每个个体都包含了网络所有的权值和阈值,每个个体可通过适应度函数计算个体的适应度值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应的个体。最后,Elman申经网络预测用遗传算法得到的最优个体对网络初始权值和阈值赋值,网络经训练后预测函数输出。仿真实验表明、该模型与已有的Elman神经网络预测模型相比,预测效果有了较明显的提高。