在城市道路交通控制与诱导研究中,短时交通流预测是当下国内外学者研究的热点问题。基于神经网络的组合型预测模型被广泛应用于短时交通流预测,其中小波神经网络采用小波特有的时频局部化特征和神经网络的自学习能力,具有较好的短时交通流预测能力。但是,小波神经网络初始化权值及参数采用随机化设置,学习优化过程采用梯度下降算法,寻优易陷入局部极值,导致模型预测精度较低,预测稳定性不足。因此,本文采用遗传算法 GA(Genetic Algorithm)、思维进化算法 MEA(Method Evolutionary Algorithm)以及误差补偿方法EC(Error Compensation)优化小波神经网络,构建模型用于短时交通流预测。遗传算法与思维进化算法是国内外学者提出的进化算法,具有较好的优化能力。本文主要研究工作如下。(1)短时交通流数据预处理。本文选取北京某观测站的短时交通流数据集合,对数据集合进行数据修复、相空间重构,最后对其数据归一化处理,保证获取的数据集可用于模型输入。(2)遗传算法和改进遗传算法优化权值及参数。本文构建基于小波神经网络的预测模型WNN(Wavelet neural network),其预测精度有待提高,预测稳定性有待加强。因此,本文不仅采用遗传算法构建基于遗传算法的小波神经网络预测模型GA-WNN(Wavelet neural network based on Genetic Algorithm),还采用模糊聚类搜索方法优化遗传算法,构建基于改进遗传算法的小波神经网络预测模型IGA-WNN(Wavelet neural network based on Improved Genetic Algorithm),并进行仿真实验。结果表明,构建的模型提高了短时交通流预测精度。(3)思维进化算法与误差补偿方法的结合运用。针对梯度下降算法对权值和小波参数初始值敏感,容易陷入极值问题的缺点,本文采用思维进化算法优化小波神经网络,并引进误差补偿方法,构建基于思维进化算法和误差补偿的小波神经网络预测模型MEA-EC-WNN(Wavelet neural network based on Method Evolutionary Algorithm and Error Compensation)。仿真实验结果表明,相较于GA-WNN预测模型与IGA-WNN预测模型的预测结果,MEA-EC-WNN预测模型的预测精度更高,其拟合度ECerror(Equal Coefficient)达到0.967。