张文胜，郝孜奇，朱冀军，杜甜添，郝会民

(1.石家庄铁道大学交通运输学院，石家庄050043；2.河北省交通安全与控制重点实验室，石家庄050043；3.河北省交通规划设计院，石家庄050011；4.天津轨道交通运营集团有限公司，天津300222；5.石家庄市勘察测绘设计研究院，石家庄050011)

0 引言

准确、实时的短时交通流预测是交通控制及交通诱导的重要保障.由于交通流变化趋势具有非线性和不确定性，人工神经网络凭借其良好的非线性收敛能力，可以更加准确学习短时交通流中的不确定性，但神经网络存在收敛速度慢，容易陷入局部极值的缺点.为此，Fabio Moretti[1]等用统计方法优化人工神经网络，提出了一种基于神经网络的混合模型对短时交通流进行预测，预测结果较优，但人工神经网络的阈值为确定值，降低了预测精度.Chai Yanhong[2]等将小波分析和BP(Back Propagation)神经网络进行结合，使用小波函数进行初始数据的去除噪声处理，将处理后的数据用BP神经网络进行训练，使用梯度下降法进行神经网络参数调整，提高了预测结果的精度，但降低了收敛速度.近年来，各种元启发式算法凭借其收敛速度快，精度高的特点，广泛应用于神经网络的优化.Mirjalili[3]提出一种新的元启发式算法——灰狼算法(Grey Wolf Optimizer,GWO)，较其他元启发式算法具有调整参数少、便于理解、收敛速度快的优点，但灰狼算法依然存在对多峰函数求解时收敛速度慢，容易陷入局部最优解的缺点.石峰等[4]利用灰狼算法对空气质量检验样本进行实时监控训练，避免……