智能交通管理系统（Intelligent Transportation System,ITS）是智慧城市建设过程中的重要课题,短时交通流预测研究是课题中的重要内容之一。根据国内外研究现状,基于改进的小波神经网络短时交通流预测研究是当下研究热点之一。小波神经网络具备较好的自学习能力,短时交通流预测精度较好。本文采用改进遗传算法IGA（Improved Genetic Algorithm）、改进思维进化算法IMEA（Improved Method Evolutionary Algorithm）优化小波神经网络WNN,并构建组合预测模型。本文主要研究工作如下。本文选取合适的交通流数据,先进行交通流数据预处理工作。由于观测站的交通流数据存在数据不全、无序等问题,本文采用数据修复方法对数据进行预处理工作,并对处理好的数据进行数据归一化处理,便于WNN模型输入。然后采用改进思维进化算法优化小波神经网络,提升预测模型的预测精度。本文首先构建了单一小波神经网络WNN模型,然后采用改进的遗传算法找寻小波神经网络最优参数,构建IGA-WNN预测模型;同时,针对思维进化算法趋同和异化操作随机性过高、公告板信息利用不充分的问题,在趋同操作之后引入类似粒子群算法（PSO）中的粒子移动更新位置的方法,构建基于改进思维进化算法的小波神经网络预测模型（IMEA-WNN）,预测短时交通流,其拟合度ECerror（Equal Coefficient）达到93.3%。最后,构建组合型短时交通流预测模型。本文以IMEA-WNN预测模型为基础,以模型预测残差为数据集合,分别采用LSTM模型和误差补偿方法预测残差值,构建了IMEA-WNN-LSTM组合型模型和IMEA-WNN-EC组合型模型,将残差值和IMEA-WNN模型的预测值相加,得到最终值,经过仿真实验,两个组合型预测模型的拟合度ECerror分别为96.3%和97.4%,证明组合型模型有实际的应用价值。