摘要：随着机器学习相关理论的飞速发展和完善，使得各个学科得到进一步的发展突破，越来越多的行业在发展上实现了突破。短时交通流预测作为一项应用于交通领域前沿的技术，是智能交通系统（ITS）的重要组成部分[1]，它能够将采集到的数据进行分析，通过相应算法对下一时刻的交通状态进行预测，以供出行者参考，从而有效地预防拥堵、减少了交通事故。同时，对于交通管理部门来说，提前获知下一时段的交通状况也有助于及时调整其交通管制的决策。

支持向量机是一个较为完善的数学理论，具有极高的应用价值和广阔的应用空间。在解决以往机器学习中所存在的局部极小点以及样本数量不足以支撑计算机学习等问题方面，支持向量机具有较大的优势。而将支持向量机运用于回归预测方向时，则衍生出了支持向量回归（SVR）算法。SVR是有约束条件的优化问题，其核心理念是在高维空间找到低一维度的分类器，再以核函数为通道在低维空间进行分析，从而达到使复杂问题简单化这一目的。交通流数据具有显著的非线性特征，故而SVR算法适应性极佳。

粒子群优化算法是近年来应用广泛的热门课题，它算法简单、搜索速度快、效率高，在处理实值型的数据时适应性良好，其收敛速度快，对于短时交通流预测模型来说，是比较合适的参数寻优算法。

本次毕业设计的着眼点在于交通流预测的高效性与准确性，主要理论依据为支持向量回归的基础理论，构建相应的模型，然后通过并依据相应的指标评价并完善模型，具有实际性和可行性。

关键词：短时交通流预测；支持向量回归；参数寻优；粒子群优化算法

目  录

摘  要

ABSTRACT

第一章  绪  论-1

1.1 研究的背景-1

1.2 交通流预测基本方法-2

1.3 国内外研究现状-3

1.3.1 国外研究现状-3

1.3.2 国内研究现状-4

1.4 研究的意义和目的-4

1.5 研究的内容和方法-5

1.6 本章小结-5

第二章  短时交通流数据处理与分析-6

2.1 交通流基本理论-6

2.1.1 总体特征-6

2.1.2 速度-6

2.1.3 占有率-7

2.2 交通信息采集方法与技术-7

2.2.1 移动式交通信息采集技术-7

2.2.2 固定式交通信息采集技术-8

2.2.3 数据来源-9

2.3 数据的预处理-9

2.4 数据的归一化-10

2.5  本章小结-10

第三章  支持向量回归算法及预测模型-11

3.1 SVR基础理论-11

3.1.1基本学习问题的描述-11

3.1.2 经验风险最小化-12

3.1.3 结构风险最小化-12

3.2 支持向量回归与核函数-13

3.2.1最优分界面-14

3.2.2松弛变量-15

3.2.3核函数-16

3.3 自适应参数的选择-18

3.3.1 惩罚系数C的选择-18

3.3.2 参数-18

3.4 预测模型的构建-19

3.5 本章小结-22

第四章  基于粒子群优化算法的预测模型-23

4.1 粒子群优化算法的基础理论-23

4.1.1 粒子群算法的基本思想-23

4.1.2 粒子群算法参数优化-24

4.2 粒子群优化支持向量回归预测模型-25

4.3 本章小结-29

第五章  预测模型的评价-30

5.1 典型评价指标与方法的基础理论-30

5.2 SVR预测模型与PSO-SVR预测模型的评价与对比-30

5.3 本章小结-31

总  结-32

参考文献-33

致  谢-34