在智能交通系统中,短时交通流预测能有效改善交通拥堵,提高出行效率,具有重要的学术价值和现实意义。针对交通流预测问题,大部分现有模型仅考虑当前预测路段的历史交通流数据作为特征信息。实际上,影响交通流的因素繁多,且影响程度不一。本文综合考虑不同因素在不同维度上对交通流的影响,并且改进已有的分片线性神经网络,深入研究模型的可解释能力,并将其应用于交通流预测问题中,在实现精确预测的同时实现变量选择和分析,主要工作如下:从自适应链接超平面AHH模型出发,本文首先针对现有的基于树形拓扑结构的AHH辨识算法,提出随机自适应链接超平面RAHH方法,大大加速了现有的AHH辨识算法并且精度也得以保证。进一步,本文研究基于AHH网络拓扑结构的快速链接超平面神经网络EHH,提出采用分位数策略对网络训练中的分割节点选取进行改进,避免数据分布不均匀的情况,改进了已有的神经元选取方法。随后,本文分别从模型特点分析以及数值实验对比了RAHH及EHH。基于此,以EHH网络为基础,深入分析了模型可解释能力,讨论如何对EHH进行网络分解得到不同变量对模型输出的影响,并研究相应的变量分析与选择方法。本文将具有可解释能力的EHH网络为应用于交通流预测问题中。除了考虑典型的历史交通流特征外,道路占有率和车辆平均流速均考虑至预测模型。此外,基于EHH的网络分解能力,实现从时间因素维度,空间因素维度对模型输入变量进行分析,并且从历史交通流,车辆平均速度及道路占有率等不同特征因素进行变量分析,得出不同特征因素(变量)对最终预测模型输出结果的影响。基于EHH网络的的变量分析结果,本文对其进行变量选择,在实现多因素综合考虑的同时,降低了数据维度。并且综合对比了多种不同类型的现有模型在不同变量选择个数及不同预测间隔下的交通流预测结果,最终的数值实验进一步验证了EHH网络的变量选择的有效性及模型预测的精确性。