随着社会经济的发展,私家车的数量与日俱增,由此带来了一系列的社会问题:道路上过多的车辆导致了交通拥堵,汽车尾气的排放加剧了雾霾,汽车油耗的增加恶化了全球能源危机。为解决以上问题,智能交通系统(Intelligent Transportation System,ITS)应运而生,智能交通系统通过集成计算机网络、图像识别等技术,并在地面交通系统管理中应用,使交通管理实时、准确、高效。智能交通的一个重要研究方向为车联网(Internet of Vehicle,IOV)。车联网是将车辆、驾驶员、交通基础设施等集合在一起的庞大交互性网络,它通过车辆的信息联网,使用中央处理器对所有车辆的数据进行统一分析,能够及时预测拥堵,对车辆进行实时动态导航,有效提高交通运行效率。而短时交通流的预测则是实现实时动态导航的关键技术点。本文以短时交通流预测为主要研究对象,研究优化支持向量回归(Support Vector Regression,SVR)方法来实现交通流预测。由于支持向量回归的惩罚系数、不敏感损失系数和核函数参数的选择对回归算法的预测精度有着重要影响,且交通流数据有着独特的特征,本文尝试将遗传算法(Genetic Algorithm,GA)与粒子群算法(Particle Swarm Optimization,PSO)结合起来,将遗传选择、交叉、变异等思想应用于粒子进化,为PSO算法更新方程及遗传变异、交叉概率计算公式的参数引入了自适应搜索机制,提出了遗传粒子群(Genetic Algorithm and Partical Swarm Optimization,GAPSO)算法用于支持向量回归模型的参数优化。最后本文对GAPSO-SVR交通流预测模型进行了实验验证。首先对历史交通流数据进行预处理得到输入数据集,随后使用输入数据集训练得到GAPSO-SVR交通流预测模型,最后将实时交通流数据与模型结合,实现对指定道路下一时刻的交通流预测。本文利用MAE(Mean Absolute Error,平均绝对误差)、MAPE(Mean Absolute Percentage Error,平均绝对百分误差)、RMSE(Root Mean Square Error,均方根误差)作为预测性能的评判标准。实验结果证明GAPSO-SVR交通流预测模型具有模型求解速度快、预测结果准确、模型实现简单等优点,能满足短时交通流预测实时性、准确性、可靠性的要求。