随着经济的发展和社会的进步，交通问题日益突出。作为有效解决现有道路交通问题的途径，发达国家正在竞相研究智能运输系统(ITS)。ITS将成为21世纪现代化地面交通运输体系的发展方向，是交通运输进入信息时代的重要标志。以交通流量为重要内容的道路交通信息是所有ITS项目不可缺少的基础，准确地预测交通流量是ITS的关键所在，也是交通流诱导研究的重要环节。交通流量是一个时变的非线性系统，其内部变量、输入变量众多，结构复杂。采用部分因素和指标或单个的模型仅能体现系统的局部，多个变量的科学综合、多种数据或多个模型的有效融合能够显著提高预测精度和模拟效果。基于此，本文提出了基于集成神经网络的城市道路交通流量的融合预测模型。 该融合预测模型和传统的预测方法相比，既不是单一的数据预测方法的运用，也不是对单一预测数据的使用，更不是对这些方法和数据的简单组合，而是包括从拓展数据源到选择有效的预测方法，再到方法和数据的融合。该模型一方面提高了预测的准确性，另一方面提高了预测的鲁棒性。 本文以城市道路交叉口为例，对基于集成神经网络的融合交通流量预测的模型、方法和具体实现途径进行了研究，主要包括以下方面： 1)根据融合预测的需要分析了交通流量的分布特性：周期性、连续性和相关性。这些特性反映了交通流量的决定因素和影响因素； 2)建立了路口交通流量融合预测的多源数据模型，扩展了预测的数据基础，为预测的准确性和鲁棒性准备了条件； 3)提出了根据流量周期性的灰色神经网络预测方法； 4)应用小波分析理论对交通流量进行多分辨率分析，提出了根据流量连续性的小波神经网络预测方法； 5)提出了对各路口流量进行实时相关性分析的方法，和一定日期内相应时间段路口流量相关性的模糊综合评价方法，提出了利用路网中相关路口的数据预测流量的神经网络方法； 6)提出了融合预测模型中局部预测有效性检验的聚类分析方法以西南交通大学博士研究生学位论文第H页及实现最终融合预测的模糊神经网络模型。 本文在仿真生成的流量数据的基础上，对上述模型和方法的有效性进行了验证。 关键字:交通工程，神经网络，数据融合，交通流量预测，灰色理沦，小波分析，相关性分析，模糊评价，有效性检验，聚类分析，模糊系统