数据挖掘技术提供了对海量交通数据的强大分析处理能力,本文的目的是研究将数据挖掘技术应用于智能交通系统,并提出基于最小二乘支持向量机的交通流量预测模型。本文首先介绍智能交通系统(ITS)研究内容和ITS各个子系统,分析数据挖掘的各种技术包括关联规则、分类、聚类、预测等在智能交通系统中的应用和智能交通系统中交通流数据的特点。其次,介绍统计学习理论和支持向量机工作原理。统计学习理论建立在结构风险最小化原则基础上,它是专门针对小样本情况下的机器学习问题而建立的一套新的理论体系。基于统计学习理论的支持向量机算法具有理论完备、全局优化、适应性强、推广能力好等优点,是机器学习研究的新热点。它在最小化经验风险的同时,有效提高算法的泛化能力,具有良好的应用价值和发展前景。再次,在数据仓库和数据挖掘的基础上,提出智能交通数据挖掘系统模型,分析建立该系统模型的过程包括数据预处理、集成等,并在数据集成后的智能交通共享数据仓库的基础上对数据进行了深层次的分析,使用OLAP、数据挖掘对系统模型中的数据进行统计分析、挖掘产生有用的,以前未知的知识提供给决策者,如本文中交通流量反映经济的变化、对主干道路面的影响、不同时间段不同车型的流量等。提供及时、准确的交通流预测是实现交通流控制与诱导的基础性问题,因此,交通流量的预测在整个智能交通系统中起着重要的作用。本文最后对交通流量的预测过程进行详细的介绍:首先,由于交通系统中包含复杂的数据,先将原始数据通过在线联机分析(OLAP)进行处理,整合、提取预测模型需要的数据。其次,利用最小二乘支持向量回归机算法提出一种交通流量预测模型,将处理后的数据应用于该模型,通过大量实际数据进行仿真试验,结果表明该方法具有预测精度高、速度快的优势,并对不同时间跨度的交通流量进行预测,实验结果表明时间跨度越大预测结果越和实际相符合,说明了时间跨度越大的交通流量越趋于平稳性,短期交通流量具有不确定性和时变性。