ITS(Intelligent Transport System)智能交通系统是21世纪呈现的一种综合交通管理体系。通过对道路上行驶车辆的状态进行监测、控制、诱导措施后,使得交通流进一步在城市道路体系中能够合理分布,提高城市快速路网的有效使用效率,从而实现整体上提高整个城市的交通运输效率。交通诱导和交通控制是智能交通系统的两个主要组成部分。而交通流诱导和控制的前提就是对城市快速路网交通进行交通流参数预测。本文在总结分析国内外学者关于交通流预测模型方法研究的基础上,分析交通流参数采集方式的优缺点,采用快速路微波检测器采集本文数据。由于在采集过程中传感器会受到各种非可控因素的干扰,造成数据缺失等问题,对采集的数据先进行清洗处理,清洗完毕后进行后续建模过程。具体过程有以下几个方面:(1)将预处理后的数据采用6种经典交通流密度-速度模型进行建模,引入3种评价指标来衡量模型精度,结果发现经典交通流模型存在一定的局限性,预测精度存在一定的问题。(2)为了解决经典模型预测精度不高的问题,采用数据挖掘方法对预处理后数据进行EMD分解,深入挖掘其数据之间关联程度的耦合性,运用试凑法找出一类耦合性最优的一组重组数据进行后续过程。将重组数据里面一组最优数据进行小波神经网络建模,在建模过程中考虑到周内的交通习惯和周末的交通习惯存在一定的差异,本文将工作日交通流和周末交通流分别进行预测。同时为了说明本文所提方法的有效性,采用BP神经网络算法对交通流参数预测性能与本文所提方法进行对比。(3)为了可视化研究内容,采用美国NI公司虚拟编程平台LabVIEW软件进行交通流预测系统编程,编写了登录模块、数据预处理模块、关系图模块、EMD分解界面模块、经典模型模块、主界面模块等6个模块。经过可视化模块编程后,使得本文的研究成果更加直观、清晰,为后续建造智慧城市提供一定的参考价值。经过模型仿真结果显示,本文所提出的采用EMD方法处理过后数据建模要比没有经过EMD方法处理的数据建模结果精度更高,同时也能发现小波神经网络模型精度高于BP神经网络模型预测精度。