交通运输业的健康快速发展，促进了物质交流和人们的往来，提高了工作效率。但由于人们的需求和交通工具的增长速度远远高于道路和其它交通设施的增长，随之引起交通拥挤、道路阻塞、环境污染、交通事故频发等一系列交通问题，造成了巨大的物质与经济损失。研究交通量的变化规律，并对未来时刻交通量或发展趋势进行实时、准确、科学合理地预测，对于进行交通规划、交通诱导、交通管理、交通控制与安全等都具有十分重要的意义，交通量预测已成为交通工程领域重点研究课题。　　 本学位论文对交通量预测理论和方法进行了系统研究。主要研究成果包括：　　 1、针对卡尔曼滤波预测精度取决于准确反映系统初始状态的程度，论文提出了交通量的一种基于相空间重构的卡尔曼滤波预测方法，即先用相空间重构技术对交通量时间序列进行相空间重构，然后在重构后的相空间上应用卡尔曼滤波计算方法对交通量时间序列进行跟踪预测。仿真结果表明该方法提高了预测的精度；论文将蚁群算法和神经网络结合起来，利用蚁群算法训练人工神经网络的权值，提出了基于蚁群神经网络的交通量预测方法，该方法兼有神经网络的广泛映射能力和蚁群算法的快速、全局收敛以及启发式学习等特点，实例表明该方法的有效性；针对选择嵌入维数不当和系统内在随机性给预测带来的影响，论文提出了交通量的多变量相空间重构的预测方法，该方法采用多变量时间序列进行高维重构，更多地利用了复杂系统中各变量之间相互藕合的关系，增加了重构的信息量，从而达到提高预测精度的目的；　　 2、针对神经网络预测方法往往需要大量的训练样本，而且网络结构人为因素较多，从而影响了交通流量预测的实时性和准确性的问题，论文通过自组织形式构建了GMDH网络，并尝试将它应用于交通流量预测研究，建立了基于GMDH网络的交通流量预测模型。由于GMDH网络训练无需大量的先验知识，网络结构有自组织和全局选优的特性，因而保证了利用GMDH网络建立的短时交通流量预测模型具有较好的性能；　　 3、针对最小二乘法在GMDH网络部分描述式系数辨识中的不足，论文在GMDH网络的基础上，将模糊推理模型引入GMDH网络，以取代传统GMDH网络的部分描述（即完全二元二次多项式），提出了一种基于模糊GMDH网络的交通流量预测模型，计算机仿真结果表明，模型的预测精度有较大的提高；　　 4、针对传统GMDH网络建模用最小二乘法来辨识参数，常常导致模型预测效果不理想的问题，论文将遗传算法引入GMDH网络，建立了基于遗传算法的GMDH网络模型。由于遗传算法是一种有效的搜索和优化方法，它具有自适应搜索、渐进式寻优、并行式搜索、通用性强等特点，因而所提出的模型具有较好的预测效果，通过计算机仿真证明了该结果。　　 5、将免疫算法与遗传算法结合起来，引入免疫遗传算法来辨识GMDH网络的部分描述式系数，由于该算法能够在全局与局部范围内同时寻优，提高了全局寻优能力，避免了陷入局部极小等问题，使得部分描述式更加精确。由这样的部分描述式按照GMDH算法得到了系统的完全描述，从而构造了基于免疫遗传算法的GMDH网络模型。将该模型用于交通量预测，计算机仿真结果说明该模型是有效的。