为了应对越来越高度城市化发展带来的交通拥堵问题,智能交通系统逐渐引起了人们的广泛研究兴趣,它在提高交通通行效率和增加道路交通安全系数方面发挥着重大作用。随着城市动态交通采集设备的快速发展,实时交通数据的采集提供了可能,使得交通流量预测具有了更有意义的数据基础。交通流量预测则是实现交通诱导的前提,准确和实时的交通流量预测也是进行城市交通规划和城市道路优化的核心需求。集成学习模型由于综合若干个学习器的训练结果,相比于单个学习器能够获得更加准确的结果,更加适合用于交通流量预测。本文的主要研究内容如下:1、研究了神经网络的发展过程和理论,简单分析了BP神经网络的特点和机制,重点使用BP神经网络单独对于数据集进行训练,通过实验获得BP神经网络单独进行交通流量预测的各种数据。2、研究卷积神经网络的发展过程和理论基础,简单介绍了卷积的过程,分析了Le Net卷积神经网络模型的运行机制和特点,重点使用Le Net卷积神经网络模型单独对于数据集进行训练,通过实验获得Le Net卷积神经网络模型在交通流量预测方面的必要数据。3、简单介绍了支持向量机的原理和发展过程,分析了支持向量机对于分类和回归问题的不同处理方式以及支持向量机将非线性可分的数据从低维映射到高维的过程,最后重点使用不同核函数的支持向量回归机单独训练数据集,分别通过实验得到了支持向量机独立进行交通流量预测时的各自不同数据。4、简单介绍了集成学习的发展过程和思想,分别研究了两种集成学习最常用的方法:Boosting算法和Bagging算法。重点分别使用Boosting算法和Bagging算法通过实验得到实验结果,然后将这些结果与前面三种基学习器单独实验获得的结果进行比较,得出使用两种集成学习算法集成的模型均比单独使用基学习器来预测的准确度要高,最后再对于两种集成学习算法的不同时间粒度进行预测,得到时间粒度越大,预测准确度越高的结果。