交通流预测是预测学的一个分支,是现代交通规划学和智能交通系统的重要组成部分。快速准确的短时交通流预测是进行实时交通信号控制、交通分配、路径诱导等应用的重要前提和基础。但是,交通系统是一个由人、车、路等多种客体组成的复杂系统,具有高度的复杂性、非线性、不确定性等特征,对交通流进行准确、实时、可靠地预测成为一项重要的研究课题。论文根据短时交通流的混沌特性和混沌时间序列分析理论,在分析南京市北京西路与西康路交叉口真实交通流数据的基础上,将相空间重构技术应用于短时交通流预测,从而发掘交通流数据中的内在规律,并提高短时交通流预测的精度。具体方法包括采用去偏复自相关方法确定相空间重构所需的时间延迟τ,利用关联维法确定嵌入维数m,对交通流时间序列数据进行相空间重构；利用Lyapunov指数法验证短时交流时间序列的混沌特性。交通流数据具有高度的复杂性和非线性特性,神经网络具有极强的非线性处理能力、自组织、自适应和自学习能力,是交通流预测的有效方法。而小波变换具有良好的时频局域化性质,因此论文利用小波神经网络进行预测,采用具有支撑、对称、余弦调制的高斯波Morlet小波作为神经网络的传递函数,它良好的时频正则性,在检测时间序列的不连续和奇异方面有突出的优势。论文最后构建了基于混沌相空间重构的小波神经网络短时交通流预测模型,将在南京市北京西路与西康路交叉口实际采集的交通流分为训练数据和模型检测数据进行了预测研究,并与未经相空间重构的单序列小波神经网络预测结果进行了对比,结果较好地验证了基于混沌相空间重构的小波神经网络模型在短时交通流预测上的有效性。