短时交通流的准确高效预测对于智能交通系统的应用十分关键，但较强的非线性和噪声干扰使其对模型的灵活性要求较高,并且还需在尽可能短的时间内处理大量的数据。因此，讨论了用随机森林模型对短时交通流进行预测，该模型具有比单棵树更强的泛化能力，参数调节方便，计算高效，且稳定性好。观察交通流数据在较长时间跨度上的变化后，提取出主要特征变量构造输入空间，对模型进行训练后，在测试集上的预测准确率约为94%。与目前广泛使用的支持向量机模型进行对比分析，结果显示随机森林预测不仅准确率稍好于支持向量机，而且在效率、易用性及未来应用的扩展上都要优于支持向量机。

智能交通系统域间交通流预测关键技术研究.pdf

基于差分数据图和深度学习的短时交通流预测.pdf

针对现阶段城市道路交通流预测精度不高的局限性，提出了一种基于差分自回归滑动平均( AＲIMA) 和小波神经.网络( WNN) 组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网.络模型强大的非线性关系映射能力，把交通流时间序列的数据结构分解为线性自相关结构和非线性结构两部分。采用差.分自回归滑动平均模型预测交通流序列的线性部分，用小波神经网络模型预测其非线性残差部分，最终合成为整个交通.流序列的预测结果。计算机仿真结果表明: 组合模型的预测精度高于AＲIMA 模型和WNN 模型各自单独使用时的预测精.度，组合模型可以提高交通流预测精度，是交通流预测的有效方法。

针对船舶交通流预测中存在复杂性、非线性、受限因素多等特点，运用果蝇优化算法，建立了优化的广义回归神经网络船舶交通流预测模型。通过利用果蝇优化算法的全局寻优特性对广义回归神经网络进行参数优化，从而实现对船舶交通流的预测。以东海大桥的船舶流量观测数据为实例对象进行分析，通过MATLAB进行仿真预测，实验结果表明：FOAGRNN模型相比于传统的GRNN模型和BPNN模型具有更高的预测精度和泛化能力，有效地解决了预测过程中数据样本少、非线性拟合能力差等问题，对水路的规划、通航管理等方面具有一定的应用价值。

使用多层神经网络对芬兰交通流进行预测。程序包括数据清洗、pandas数据可视化、keras建模、预测结果可视化。数据格式为：点ID，年，天数，小时，分钟，秒，百分之一秒，长度（m），车道，方向，车辆类别，速度(km/h)，有缺陷的（0-错误观察，1=错误观察），总时间（技术），间隔（技术），排队（技术）。共16列数据

自己写的利用RBF神经网络做的短期交通流预测matlab源码

LSTM-交通预测 代码+模型 训练数据

基于bp神经网络的交通流量数据预测算法；基于bp神经网络的交通流量数据预测算法；基于bp神经网络的交通流量数据预测算法；基于bp神经网络的交通流量数据预测算法；

基于EEMD的多分量组合短时交通流预测方法的研究-适合交通流预测分析研究