交通量预测是公路交通规划与设计的基础,准确地预测交通量未来年的发展趋势,提高预测精度,是保证待建项目可行性分析的正确性和合理性的重要因素,可以大大减少规划设计失误所造成的损失与浪费,显著提高社会经济效益。论文首先分析了交通量历史数据呈随机性、非线性变化的特点而实际预测时可用数据样本较少的问题,通过查阅相关文献,学习解决样本量较小、信息不充分情况下,随机性、非线性预测问题的理论预测方法,分析已有成果所存在的不足和缺陷。系统学习人工神经网络的基本原理和灰色预测方法。研究处理随机性、非线性预测问题的传统BP神经网络算法及其优劣势;分析贝叶斯正则化神经网络预测模型和小波神经网络预测模型的优势和缺陷;分析GM(1,1)模型在处理小样本、贫信息预测问题的不足,研究无偏GM(1,1)模型的原理及其预测优势。在借鉴现有交通量预测研究成果基础上,充分利用贝叶斯正则化神经网络非线性逼近,良好的泛化能力和无偏GM(1,1)模型的少数据建模,弱化原始数据随机性并增强规律性,消除了传统GM(1,1)模型预测所固有的偏差的优点,发挥二者融合的优势,建立无偏GM(1,1)—贝叶斯正则化神经网络交通量组合预测模型;利用小波神经网络对非线性函数的逼近能力,以及对隐函数的抽取能力较强,网络训练时收敛速度快,泛化性能好,预测精度高的优势和灰色累加技术能弱化原始数据的随机性并增强规律性的特点,论文通过相关影响因素预测交通量问题,将灰色技术和小波神经网络有机结合,建立灰色小波神经网络融合的多因素交通量预测模型。并将所建立的两个模型应用于实际交通量预测中,并与常用的处理非线性预测问题的BP网络比较,结果表明所建模型可行、有效,提高了预测精度,具有更好的实用价值。