随着国民经济的繁荣和人民生活水平的提高,我国汽车行业发展迅速,汽车数目也随之剧增,对道路交通事业的发展和环境保护造成了巨大的阻碍。为了缓解车辆过多造成的拥堵问题,需要实施交通管制,实现对道路上车辆的实时管理。智能交通系统(ITS)作为解决交通问题的重要途径,近年来发展迅速。ITS结合先进的信息技术和交通理论,能够实现对于道路交通的有效控制和交通诱导等功能。交通预测作为智能交通的一个分支,短时交通流预测在其中占据着重要的位置。神经网络的兴起使得各种网络模型被应用于道路交通状态的预测中。本文提出改进的粒子群算法优化动态Elman神经网络进行交通流预测,主要研究以下工作:(1)Elman神经网络属于前馈型神经网络,在网络结构的隐含层中加入了自身承接层,使其也适用于动态模型。但又因其容易陷入局部最小和网络层数多时影响算法收敛速度等缺点,因此引入群智能优化算法和Elman神经网络进行组合,合理的利用粒子群算法的局部搜索性能。(2)对于传统的粒子群算法,根据粒子的速度和位置公式,可通过惯性权重和学习因子等参数对算法做出改进,以提高改进后算法的性能。本文利用改进的粒子群优化Elman的组合模型对西安市南二环某路段进行交通流量和拥堵程度的预测。(3)通过分析传统粒子群算法的优缺点,提出分别从线性递减惯性权重、去除粒子速度项、线性递减惯性权重和动态调整学习因子三个方面进行改进,通过实验,得出改进后的三种网络模型的预测结果对比值。其中,一种线性递减惯性权重和动态调整学习因子的粒子群改进算法优化Elman神经网络的预测效果更精准。