随着国民经济和交通基础设施的快速发展,交通规划和指导已成为智能交通系统中研究的热点问题.对于交通规划和指导,需要解决的关键问题是如何利用历史交通数据准确预测未来各个时间段的交通流量.短时交通流量的预测作为智能交通系统(ITS)的核心和基础,日益成为人们关注和研究的重点.针对短时交通流量的预测问题,本文提出一种改进的粒子群算法(IPSO)优化小波神经网络(WNN)预测模型,并对其进行预测分析.股票市场的相关预测问题被认为是金融时间序列预测的一项具有挑战性的任务.在该领域已有较多涉及支持向量机(SVM)的相关研究.针对金融时间序列预测问题,本文采用改进的模糊信息粒化(IFIG)和SVM结合的预测模型,将相关信息粒化为金融时间序列,然后建立合理的信息粒子来保留信息,进而对金融时间序列作出预测.本文主要的相关研究工作如下:1.针对PSO算法自身的局限性,如该算法易陷入局部极值等,将其分别从均匀随机搜索算子的引入、自适应惯性权重、学习因子三方面进行了改进研究,并在6个基准测试函数上对其算法性能进行了检测.2.传统的WNN预测模型,通常采用单向梯度下降法对其参数进行优化,但其存在收敛速度慢和局部最优等问题.为了提高城市道路短时交通流的预测精度,本文提出一种IPSO优化的WNN预测模型,然后将此模型应用于短时交通流的实证研究.结果表明,与传统的WNN和PSO-WNN预测模型相比,IPSO-WNN模型预测结果的误差更小,且具有较快的收敛速度和较好的非线性拟合能力.3.针对传统金融时间序列的预测方法难以描述未来变化趋势和变化空间的问题,我们采用IFIG和SVM结合的预测模型及遗传算法(GA)优化的SVM,对粒化数据进行建模.结果表明,较传统的金融时间序列预测方法能更好地刻画输入和输出之间非线性相依关系,从而更准确地预测上证指数.