随着社会经济的不断发展,在多数大都市中,交通拥堵渐渐变为一个严重的问题,导致交通混乱和环境污染,而智能交通系统(ITS)是管理这一问题的科学办法。作为ITS的关键技术,交通流量短期预测始终是研究的热点,针对不同的用途,交通预测对象涉及交通流量、平均速度、旅行时间等等,本文选择城市道路上的交通流量作为预测对象。本文首先分析了交通流的混沌特征,在此基础上,采用重新构建交通流时间序列的相空间技术,提取出序列中的隐藏信息,恢复混沌时间序列的吸引子。论文利用C-C方法计算出嵌入维数m和延迟时间?用于重构相空间,然后对在PeMs能力度量系统上采集到的真实短时交通流数据进行相空间重构,使用混沌理论中的小数组方法计算出最大Lyapunov指数来分析交通流序列的可预测性。其次,针对近几年的各种交通流预测模型进行了优缺点分析,选用预测精度更高的小波神经网络(WNN)作为短时交通流的预测模型,并选取BP神经网络模型进行仿真实验和比较分析,分析结果表明,基于小波神经网络的短时交通流预测模型在精确度和收敛性上优于基于BP神经网络的预测模型。第三,为了弥补小波神经网络因初始值设置不当而在求解过程中陷入局部最优和产生振荡的不良效果,本文提出基于PSO-WNN的短时交通流预测模型。PSO是一种群智能进化随机选择算法,在收敛性和寻优性能上均有优势,利用粒子广泛发散形式的动力学行为来优化小波神经网络的初始值参数。仿真实验结果表明,基于PSO-WNN模型的短时交通流量预测模型的预测结果优于仅基于WNN模型的短时交通流预测模型。最后,由于随着算法迭代次数增加,PSO的收敛性能逐渐趋于缓慢,寻优能力下降。为了克服这一缺点,提高预测精度,本文采用了基于量子力学的QPSO算法,该算法经证明全局收敛性优于PSO算法,同时借鉴遗传算法中交叉和变异方法,改进了QPSO算法中新生粒子种类单一的问题,建立了基于相空间的GQPSO-WNN的短时交通流预测模型,并与基于相空间的PSO-WNN模型和QPSO-WNN模型进行了比较实验,充分验证了基于相空间的GQPSO-WNN模型的方法在预测精度和收敛性上有了一定的提高,可以有效地应用于实际交通领域中。论文围绕基于优化小波神经网络的短时交通流量预测技术的研究与应用,提供了一种可行的研究思路和技术路线,对后续相关方向的深入研究具有一定的参考和应用的价值。