短时交通流预测技术属于智能交通控制和车辆诱导的重要研究领域,在实际工程运用中,它作为智能交通领域非常重要的基础理论,通过对交通流分析和预测,可以帮助城市进行智能交通的诱导工作,使得用户选择最优的路径。支持向量机在面对过学习与欠学习问题、局部极小点问题、小样本等机器学习的研究所遇到的传统的困难能够较好的解决,因此可以用在短时交通流回归预测这一课题的研究中。本文以基于支持向量回归的短时交通流预测方法研究与应用为题,在交通流数据分析的基础上,对短时交通流预测的方法和理论进行了深入探讨和研究,并且根据实际交通流数据搭建支持向量回归预测模型,具有实际的应用可行性。主要工作如下:(1)通过对交通流数据的分析和对错误及缺失数据的识别和处理,减少噪声对预测过程的影响,并为下一步的交通流预测模型的建立奠定基础;(2)根据支持向量机的基本原理,研究并采用基于支持向量回归的短时交通流预测模型,并与BP神经网络的仿真结果进行对比,实验证明,支持向量机回归模型是一种可行的、有效的交通流预测模型,在短时交通流预测中,其性能优于BP神经网络模型。(3)对支持向量机参数选择优化模型进行了研究。支持向量的惩罚系数、核函数参数的优化选择对回归模型的学习精度和推广能力的好坏起着重要的作用。本文使用传统粒子群优化算法,对支持向量回归参数寻优;并结合遗传算法,采用一种改进的粒子群优化算法对支持向量机参数模型进行优化,有效地改善了短时交通流的预测精度。(4)利用短时交通流信号SVR预测的研究结论,在ThinkPHP框架下设计并完成了针对西安市的短时交通流动态预测系统的开发。