随着我国经济的发展以及城市化进程的不断加快，汽车保有量逐年增加，出行者数量也在急剧增长，给原本紧张的交通带来了巨大的压力。交通问题已经成为国民经济发展的瓶颈问题，因此智能交通系统（ITS）的发展顺应了时代发展的要求^[1]。交通流量预测是智能交通系统的重要组成部分，其中短时交通流量预测是交通流量预测中的主要研究内容。交通流预测是指在某一区域根据当前采集交通流数据按照一定的预测模型对将来交通流做出实时估计，如今在交通信息预测研究领域中通常规定短时预测的预测时间间隔小于5min或者小于15min^[2]。实时准确的交通流预测是交通控制和交通诱导的关键和前提，而短时交通流预测方法一直是智能交通领域的研究热点。短时交通流量是一个具有高度的时变性、非线性、混沌性和不确定性的复杂系统^[3]。

支持向量机（SVM）是建立在统计学习理论的VC维理论和结构风险最小化原理基础上的机器学习方法，通常用于模式识别、回归分析、函数估计等领域^[4]。支持向量机（SVM）的基本原理是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面,在分开数据的超平面的两边建有两个互相平行的超平面,建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化^[5]。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，现在已经在许多领域取得了成功的应用^[6]。

支持向量机回归（SVR）是用来处理回归预测问题的方法，与传统SVM分类方法不同的是，SVR方法在寻找最优超平面的过程中，让所有的样本点尽可能与最优超平面距离最小，使得超平面与所有的样本数据点的总偏差能够达到最小。为了达到这个效果，引入一个e不敏感函数来建立SVR回归模型。

在国外，尤其在智能理论方面，国外学者对交通流预测方面有很多的研究。Min W等人在2011年提出了多变量时间序列预测模型，将交通数据构建为多变量时间序列，相比于单一的时间维度特性预测方法有着更高的预测精度^[7]。鉴于短时交通流数据表现出强烈的非线性变化，T Pamu#322;a 在2012年利用神经网络建立交通道路的交通流量预测模型，取得了比较不错的预测结果^[8]。Tchrakian, T等人在2012年利用谱分析(Spectral analysis)的方法获取交通数据的主要周期特征，再利用时间序列预测方法进行预测，有效的处理了交通流数据在周期性方面对预测精度的影响 ^[9]。Wang J等人在2012年利用支持向量机回归理论，提出了短期的交通流预测混合模型（C-WSVM model），并证明了这种向量机模型在短期交通流预测方面具有可行性和发展潜力^[10]。P Xu在2013年采用基于蚁群优化支持SVM用于短时交通流预测中去，提高了预测的精度^[11]。James Haworth 等在2014年提出在线核岭回归（online kernel ridge regression）预测，采用核方法捕捉交通数据时间上的非线性变化，以提高短时交通流量预测精度^[12]。

在国内，对于短时交通流预测也有较多的研究。傅惠，许伦辉，胡刚等在2010年提出了基于Sugeno型模糊神经系统的交通流状态预测方法，直接神经网络可直接优化模糊推理系统的隶属度函数，相比常规模糊系统具有更好的预测性能^[13] 。张朝元等人在 2010 年提出改进的 LS-SVM 算法，与传统的多元线性回归、支持向量机和BP神经网络相比具有较高的预测精度^[14]。傅贵，韩国强等人在2013年引入核函数把短时交通流预测问题转化为高维空间中的线性回归问题，提出了基于支持向量机回归的短时交通流预测模型，实验数据表明其预测误差小于卡尔曼滤波预测模型^[15]。樊纳，赵祥模等人在2012年提出包含非参数回归模型和BP神经网络模型的混合预测模型，其预测精度明显高于单独预测时的精度^[16]。王珂，田瑞等在2014年运用灰色遗传模型支持向量机进一步提高了短时交通流预测的精确度^[17]。

通过对国内外交通流预测研究的发展状况分析来看，短时交通流预测这块领域综合了众多的算法与实现手段，有单一的模型也有组合的模型，并且预测精度也在不断地提升。而相比于其他算法模型，SVR采用结构风险最小化原则，整个求解过程转化一个凸二次规划问题，解是全局最优的和唯一的^[18]，在实际应用中取得了良好的性能表现，并且在预测短时交通流领域有较好的发展^[19]。在SVR参数优化中，拟采用粒子群算法（PSO）进行优化，粒子群优化算法（PSO）是一种进化计算技术，不依靠遗传算子来操作个体,而是依靠个体间的信息交换来达到群体的共同演化,所有的微粒都有调整自身速度和记忆经历过的最好位置的能力^[20]。但是PSO算法存在缺陷，如搜索精度低、后期迭代效率不高等缺点，而通过改进PSO算法，利用种群多样性信息对惯性权重进行非线性调整，并且引入变异和交叉算子^[21]，形成自适应粒子群优化算法(APSO)能解决基本粒子群算法在求解高维、多峰等复杂非线性优化问题时出现的易陷入局部最优和不收敛等搜索失败问题^[22]。同时将APSO算法用于SVR的参数优化中去^[23]，形成APSO-SVR模型，应用到短时交通流预测中。

为了考察APSO优化的SVR的性能，将会利用MATLAB软件对该算法进行编程。目前的MATLAB软件中已经包含处理SVR的软件包和一些小工具，使用也非常方便。在本课题的最后阶段，准备将已建立并运行过的模型与改进前的模型，以及其他智能算法优化SVR模型进行性能效果的对比，来验证模型的可行性与准确性。

智能交通系统中交通诱导系统的重要基础是对道路短时交通流分析和预测。因为智能交通诱导系统需要对交通流进行快速准确地预测分析。因此，对短时交通流预测的研究与实现开展工作，从实际工程获得的交通流数据信息中准确快速地预测下一刻的道路交通流信息，是当前交通诱导和交通信息发布服务的核心工作^[24]。本课题基于此提出预测短时交通流量方法更加具有现实意义。通过APSO优化的SVR方法将会更好的适应交通流量数据，对短时交通流量作出较好的预测。

参考文献

[1] 王国锋,宋鹏飞,张蕴灵.智能交通系统发展与展望[J]. 公路, 2012(05):217-222

[2] 张学工. 基于SVM的交通流短时预测方法研究[D].西南交通大学, 2012