随着社会经济的发展,科学技术的进步,人们交通出行的需求也不断上升,机动车的数量更是与日俱增。机动车数量的高速增长引发交通拥堵、道路安全、环境污染、能源消耗等一系列问题日益严峻。大量实践经验表明,智能交通系统是改善城市交通状况,提高公共交通的服务质量最为有效的手段,不论从生态环境角度还是从社会经济角度来说均具有重要的意义。交通流量预测是智能交通实现的前提和关键,如何准确地预测交通量信息已经成为学者们研究的热点。交通量受到多种随机干扰因素的影响,具有一定的随机性和动态性,因此交通量预测十分复杂,虽然很多学者已经对此展开深入研究,取得了一定的成果,但是有关交通流预测理论的研究至今没有形成较为成熟完备的理论体系,到底选取哪些预测模型,以及使用哪些方法进行改进才合理仍然是值得研究的问题。本文以智能预测理论为前提,以提高交通车流量的预测精度为目的,深入探讨不同的智能方法和模型之间的有效组合形式,主要涉及以下几个方面的研究工作。1.以灰色系统理论中的DGM(1,1)为基础,提出了DGM-GRNN和DGM-SVM两种组合预测模型。灰色系统GM是在小样本,贫信息的情况下经常使用的一种预测模型,现有的灰色组合模型多采用GM(1,1)和BP神经网络进行组合的方式。由于GM(1,1)没有考虑未来可能加入的干扰因素对系统带来的影响,因此不适合中长期预测,而DGM(1,1)模型采用离散形式对常规GM(1,1)建模进行改进,弥补了传统GM(1,1)模型的缺陷。另外,BP网络易陷入局部极小值,并且计算结果随机性较强,因此本文提出了两种残差修正的DGM预测模型。首先使用DGM(1,1)模型对原始数据序列进行预测,然后分别使用GRNN和SVM模型对尾段残差序列进行训练并获取残差的预测序列,最后合成最终的预测结果。在实际交通流预测实验中,通过与传统的GM(1,1)和DGM(1,1)进行对比,本文提出的组合模型在预测精度方面有了明显提高,验证了组合模型的有效性。2.提出了基于粒子群算法优化的支持向量机SVM预测模型。SVM以统计学理论和结构风险最小化原理为基础,能够在小样本学习环境下进行分类和预测,是智能模型研究的热点。本文深入探讨了SVM中不同参数对系统预测的影响,针对SVM预测过程过参数设置不准确的缺点,分别以LSSVM和SMOSVM为基础,提出了两种基于粒子群优化的PSO-LSSVM和SMOSVM交通量预测模型。首先利用PSO算法对惩罚参数C和核宽度。进行优化,确定最优的C和σ,然后分别使用SMOSVM和LSSVM通过交叉验证的手段进行交通流的预测。通过与试凑法和网格法优化的模型进行对比分析实验,本文提出的模型具有更好的预测性能,表明其能够有效的预测实时交通流量的变化趋势。3.提出了基于遗传算法优化的极限学习机预测模型GA-ELM。BP神经网络在训练调整各种参数的过程中,消耗了大量的时间,而极限学习机ELM在大大缩短网络训练时间的同时并没有降低网络的收敛能力。ELM随机设置输入层与隐含层的连接权值和阈值,在训练过程中又不再重新调整这些参数的值,使得隐含层节点的有效性有待提高。针对这一问题,在网络结构确定的条件下,本文将遗传算法用于极限学习机权重和阈值的选择过程,通过目标函数的使用,比随机赋值获得了更优的权重和阈值,也使得隐含层和输出层之间的连接权值矩阵更为合理。通过与BP模型、GA-BP模型以及标准的ELM模型实验对比,进一步验证了本文提出的模型在预测精度和运行时间上的优势。4.提出了时间序列、神经网络和灰色理论定权和不定权组合的交通流预测模型。目前,统计理论、非线性理论和智能理论在交通流中都有不同的应用,各种单一模型具有一定的优点,但又存在一定的片面性。为了综合利用各种预测模型所提供的信息,取长补短,本文以交通流预测常用的GM(1,1)、ARIMA和GRNN模型为基础,提出了一种固定权系数和一种变权系数的组合预测模型。在提出了准预测绝对误差的定义之后,分别建立了以相对误差为依据的定权组合模型和Elman变权组合模型。实验结果表明,组合模型特别是变权系数组合模型在相对误差、均方根误差以及均等系数方面均优于单一模型或两种模型组合,从而验证了其有效性与可行性。5.综合对比分析各种组合预测模型。对不同的组合预测模型使用相同的交通流量数据进行实验,分析和探讨各种预测模型的适用性。论文的创新之处主要体现在利用智能模型的有效组合进行交通流的预测。分别使用GRNN和SVM对DGM模型进行残差修正,进一步提高了模型的预测精度；使用仿生学的粒子群算法和遗传算法分别应用于SVM和ELM,通过对模型参数的有效优化,模型取得了更优的预测效果；提出了基于GM、ARIMA和GRNN的定权组合和Elman变权组合,实验结果表明组合模型能够获得更好的性能评价指标。综上所述,本文的研究结果具有一定的理论和应用价值,为更准确地进行交通流预测提供新思路和新途径。