智能交通系统是全方位解决交通运输安全、效率和拥挤问题的有效工具，目前已经越来越得到世界各国的重视。交通流诱导系统是智能交通系统研究的核心内容之一，它以交通流预测和实时动态交通分配为基础，利用全球定位系统、电子地图、计算机技术和通信技术等来引导城市路网中的交通流，为出行者指出当前的最佳行驶路线，使出行者以最小的代价完成出行过程。交通流分配的前提是满足实时性和准确性要求的交通流预测，因此，城市道路交通流量和行程时间的预测是交通流诱导系统研究的重要内容，也是智能交通系统研究的一个重要问题。近年来，世界各国在这个领域研究中进行了多方努力，取得了一定的阶段性成果，但所建模型普遍存在着计算量大、优化时间长等问题，难以满足实时诱导的需要。 由于城市道路交通系统的非线性、随机性、时变性和不确定性，而人工神经网络具有非线性描述、大规模并行分布处理、学习与适应、擅长处理多变量系统以及便于硬件实现等特性，比较适合于交通流量和行程时间的预测。基于此，本文利用人工神经网络来对交通流量和行程时间进行预测。 首先，利用BP神经网络来建立交通流量和行程时间的实时预测模型，找寻出一种能满足实时性要求的算法，并根据验证的结果分析了模型的优点和尚需改进之处。 接着，将模糊逻辑和神经网络相结合，设计了基于神经网络的实时交通信息模糊预测系统用来预测交通流量和行程时间。针对模糊推理在处理经验知识方面的不足，用神经网络实现了对模糊规则的记忆，并在系统仿真的基础上对模型进行了分析。 然后，针对传统神经网络存在的缺陷，利用高阶广义神经网络技术来设计交通流量和行程时间的实时、动态的预测方法。提出了基于高阶广义神经网络的交通信息自适应预测模型以及相应的算法。针对HGNN的结构优化问题设计了基于遗传算法的高阶广义神经网络结构优化方法。还设计了两种HGNN的自适应参数调整算法：梯度迭代法和遗传算法，并对两种参数调整方法下的预测结果进行了比较分析。 最后对神经网络方法交通信息预测系统的软件设计做了说明