随着我国科技发展推动社会进步,城镇化规模扩大,居民出行水平提升,道路私家车辆增多,再加上道路环境还会受到天气和节假日等外界因素的困扰,导致实际的道路交通愈加复杂多变,具有极强的非线性、时变性以及随机性等特征,道路更易发生交通堵塞和交通事故。针对这一问题的解决,智能交通成为众多学者研究的热点,其优秀的智慧诱导能力和道路实况分析能力可以为车主提供更优的行驶路线,减少道路驾车时间。而交通流预测是智能交通中的重点研究方向,实时准确的交通流预测可以疏松道路,提高道路车辆通过效率。群体智能优化算法优化神经网络模型可以以任意精度逼近各种复杂函数,在各类非线性预测问题包括交通流预测中取得了很好的应用。为了提升交通流预测准确率,本文提出使用两种神经网络作为交通流预测模型,并且使用两种不同的算子改进麻雀搜索算法,提高局部寻优能力,再利用改进后的算法分别对两种神经网络参数进行调优,搭建两种组合优化的交通流预测模型,最后使用提出的新模型分别在国内和国外的数据集上进行实验,验证了模型有效性。本文的主要工作内容和创新性成果包括以下三个方面:（1）针对原始交通流数据具有杂余噪声,会影响到交通流预测的实际效果,提出利用高斯平滑滤波方法处理交通流原始数据,去除道路噪声信号,得到新的时间重构序列作为实验数据,有效提高模型预测精度。（2）提出一种混沌优化的自适应神经网络交通流预测方法。具备非线性特征的反馈传播神经网络（Back Propagation Neural Network,BPNN）可以通过对网络层数的设定任意贴近各类非线性问题。针对麻雀算法全局寻优能力较差的特点,使用Tent混沌算子对麻雀算法的初始位置进行扰乱,增加种群的多样性,增加搜索的遍历均匀性和随机性,从而优化全局寻优性。实验结果证明,所提出的Tent混沌麻雀算法结合BP神经网络的交通流预测模型相比常用的群算法优化BP神经网络方法,预测平均准确度提升了0.52%-4.01%,说明对神经网络交通流预测模型进行混沌自适应搜索优化有助于提高模型预测能力。（3）提出一种融合自适应混合变异调优的极限学习机（Extreme Learning Machine,ELM）交通流预测方法。在麻雀算法迭代过程,对雀群分别进行自适应t分布和最优高斯调教变异,增加种群变异性,提高了雀群收敛前的局部寻优能力。再利用变异调优后的算法结合ELM,优化ELM的权值,建立新的自适应交通流预测模型。利用三组英国某机场附近高速路的三个站点的数据集进行预测,结果表明,所提出的自适应混合变异调优的ELM交通流预测模型在消耗较少的时间下,能够得到更小的泛化误差和更优的预测精度。