1. 研究目的与意义（文献综述包含参考文献）

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。

2. 研究的基本内容、问题解决措施及方案

1.本课题研究的问题

（1）建立自适应粒子群优化算法（apso）优化的支持向量机（svr）模型；

（2）对交通流数据进行有效的处理和分析。