随着我国城市化建设的扩大,交通拥堵现象愈加频繁,这极大的增加人们在路上的出行时间。智能交通系统通过实时的路况反馈,可以有效地缓解交通拥堵状况,其重要依据便是短时交通流预测,因此深入研究快速准确的短时交通流预测具有重要的实际意义。考虑到短时交通流数据的不确定性和非线性特性,很多模型的预测效果都不算优良。小波神经网络(WNN)综合小波变换和神经网络的优点,在时域频域方面都具备良好的特性,混合蛙跳算法(SFLA)是一种新兴的智能群体算法,它表现出良好的鲁棒性和全局收敛性,可以较快地找到最优解。为此,本文将混合蛙跳算法和小波神经网络结合,使用混合蛙跳算法优化网络的权值,然后用网络实现对短时交通流数据的预测,并用改进的混合蛙跳算法提高预测的速度和准确性,最后加入径向基函数(RBF)神经网络进一步改进短时交通流信号的预测效果。本文主要工作为:(1)对获取到的交通流数据集进行异常数据修复、改进的逐层适应阈值和指数变化阈值函数的小波去噪、相空间重构和归一化处理等操作,接着将预处理后的数据集使用WNN模型进行预测。实验结果表明,该模型可以较好地模拟短时交通流的趋势,但预测效果还有待提高。(2)将混合蛙跳算法和小波神经网络结合,构造SFLA-WNN模型,使用SFLA寻优得到的最优解代替WNN网络初始的权值,避免网络陷入局部极小值的缺陷。实验结果表明,该组合模型可以有效提高网络的预测精度。在此基础上,改进混合蛙跳算法,优化个体移动步长。实验证明,ISFLA-WNN模型可以在保证短时交通流预测精度和稳定性的前提下,有效减少运行时间。(3)加入径向基函数神经网络,构造ISFLA-WNN-RBF模型,将交通流数据集分为线性、非线性部分,使用SFLA-WNN、SFLA-RBF模型分别预测各个部分,两者预测效果叠加,得到最终结果。实验证明,基于ISFLA-WNN-RBF模型的短时交通流预测可以有效降低误差,提高预测精度,具有优良的稳定性和预测效果。