智能交通系统(Intelligent Transportation System,缩写为ITS)已成为我国交通系统的一个重要发展方向。智能交通系统是利用现代信息技术服务人们交通出行的系统,最早是在20世纪90年代初于美国最先提出的理念。它包含着最先进的数据采集和处理技术,模型预测和分析技术,信息控制技术等等,并将他们运用于整个地面交通管理。它是为城市道路出行建立的综合交通管理系统。智能交通是现代交通发展的前沿领域,而交通事件预测是其中的一个研究热点。交通事件具有规律性、不平稳性、易周围情况影响等特点,因此如何提高交通事件预测精度是智能交通系统(ITS)应用的一个重要方向。传统BP神经网络模型是交通事件分析中常用的模型分析方法之一,但易陷入局部极值,不适合处理长期且连续的交通事件数据。针对交通流数据预测中不规律性强,时常会因为实时路况变化而变化的特点,提出使用优化粒子群算法优化循环神经网络参数寻优选取问题和随机失活方法处理循环神经网络构建训练模型中的过拟合,来达到优化预测模型精度的目的。本文主要工作如下:1.本文通过优化非线性变化惯性权重来提高粒子群算法的性能,由于基本的粒子群算法的全局寻优能力和收敛速度有限,提出利用非线性变化惯性权重提升粒子群算法的性能。基本的粒子群算法中,固定的惯性权重ω会减弱算法的全局寻优能力和减慢算法的收敛速度。故选择优化权重公式,改变惯性权重ω的表达式,从而保证算法的局部寻优能力,使算法能灵活地调整全局与局部的寻优能力。2.本文提出使用循环神经网络处理交通事件数据,为了能够提升预测的性能及精度,利用循环神经网络模型的有限时间长度记忆优势,构建序列数据分类模型来训练数据,在模型中输入数据来源当地某时刻30分钟前的数据,来预测该时刻是否会发生交通拥堵,模型构建好之后,采用随机失活方法去除模型的过拟合问题,通过达拉斯地区的实际流量数据验证,将预测结果与传统BP神经网络模型方法作对比。实验对比结果表明,本文提出的两种改进算法对于原算法在预测中规律性弱、受环境影响大和易陷入局部极值方面均有所改善,该综合算法在预测精度和损失值方面均有较明显提升,验证了方法的有效性。本文的预测算法模型对提高交通管理与出行均具有积极作用。对其他领域的循环神经网络预测研究也有着一定的理论借鉴意义。