摘要：针对特定地点的每日各时刻车流量变化，尝试使用不同的机器学习算法对该地点今后的车流量大小及变化进行预测，并得到相应的预测模型。

首先，引入英国伦敦各特定路口的每日各时刻交通数据，分别采用标准化、归一化的方法对这些数据进行预处理。然后，基于支持向量回归算法(SVR ,Support Vector Regression)建立对车流量预测的模型，并引入粒子群优化算法对支持向量回归模型中主要参数的数值进行优化，获得寻优后的车流量预测回归模型。接着，建立基于随机梯度下降调整算法的BP神经网络模型和基于自适应梯度优化算法的BP神经网络模型对上述数据集预测并比较前后优化效果。验证结果显示，经过优化后两种算法的误差降低显著，且预测结果与实测数据拟合程度和训练次数有较强的相关性。

关键词：机器学习；车流量预测；PSO粒子群优化算法；支持向量回归模型；神经网络

目   录

摘   要

ABSTRACT

第一章 绪  论-1

1.1-背景及目的-1

1.2-文献综述-2

1.3-结构与安排-3

1.4-本章小结-4

第二章  使用基于PSO的SVR模型对车流量预测-5

2.1 车流量预测SVR建模-5

2.1.1 数据预处理-5

2.1.2 SVR预测模型介绍-6

2.1.3模型的实现及测试结果-10

2.2 基于PSO的车流量预测SVR模型-14

2.2.1 粒子群优化算法PSO-14

2.2.2 模型的实现及测试结果-16

2. 3 SVR模型优化前后结果对比及分析-21

2.4 本章小结-21

第三章 使用BPNN算法对车流量预测-22

3.1 BPNN模型概述-22

3.1.1 BP神经网络-22

3.1.2 随机梯度下降算法-24

3.1.3 模型的实现及测试结果-25

3.2 使用Adam优化训练算法的BP神经网络模型-31

3.2.1 Adam优化训练算法-31

3.2.2 模型的实现及测试结果-32

3.3  BPNN模型优化效果比较-33

3.4 本章小结-33

第四章  总结与展望-34

4.1两种预测方法比较-34

4.2总结-35

参考文献-36

致  谢-37