随着我国海运事业的迅速发展,我国沿海已经成为世界上水上交通最繁忙的区域之一。航经我国沿海水域的船舶数量逐渐增多,海上交通事故也有增加的趋势,带来交通安全、海洋环境污染等一系列问题。短时交通流预测是交通流预测的重点研究内容之一,及时、准确的短时船舶交通流预测信息是保障船舶通航安全、航道畅通、交通有效运行的关键。本文在总结现有道路短时交通流预测和船舶交通流预测模型的基础上,针对现有短时交通流预测算法精度低、收敛慢、性能不稳定等问题,对短时船舶交通流预测问题进行了研究,并引进在道路短时交通流预测方面应用广泛的超限学习机(Extreme Learning Machine,ELM)对成山头分道通航水域的短时船舶交通流进行预测。本文首先简单介绍了交通流理论基础知识和短时船舶交通流预测的基本概念,并对船舶交通流特征、交通流预测的基本特征和基本原则、预测方法模型要求、现有预测方法及各自的与缺点进行了分析,并给出了短时船舶交通流预测模型的评价指标。其次,应用数据获取软件从海事局AIS网站获取成山头分道通航水域的船舶信息,并对数据进行筛选。为减少数据波动对基于ELM神经网络短时船舶交通流预测模型的影响,对采集到的数据进行了标准归一化处理,提高模型的预测精度。然后,应用MATLAB这一数学工具建立了基于ELM神经网络的成山头短时船舶交通流预测模型,并对编程实现进行了介绍。最后,分别采用小波神经网络的时间序列预测模型、BP神经网络非线性预测模型和ELM神经网络预测模型来对成山头分道通航警戒区进行短时交通流预测。研究结果表明,在一定误差范围内,基于小波神经网络的时间序列预测模型、BP神经网络非线性预测模型和基于ELM神经网络预测模型均能较好的预测成山头分道通航水域的短时船舶交通流量。对比分析上述3种预测模型的预测结果和误差,分析结果表明ELM神经网络模型能够有效避免传统神经网络的固有缺陷,应用ELM神经网络对短时船舶交通流预测的误差更小、运算时间更快、精度更高。更能满足短时船舶交通流预测的要求。