童 林，官 铮

（1.六盘水师范学院物理与电气工程学院，贵州六盘水 553004；2.云南大学信息学院，昆明 650500）

0 引言

准确把握交通流量发生趋势和变化区间是合理调控交通负荷的重要依据，但由于交通流量与其影响因素之间存在着复杂非线性关系，难以建立精确的模型。众多的研究中，参数模型中的时间序列方法用于交通流量预测取得了良好的预测效果［1］，但对交通流量的波动性缺乏考虑且不适用于大数据样本。为了更好地捕获交通流量中的非线性时空关系，机器学习方法等非参数模型被广泛应用在交通流量预测中：文献［2］中使用基于高斯过程的机器学习模型对交通流量预测，评估可知机器学习方法优于时间序列模型；文献［3］中提出了一种基于支持向量机（Support Vector Machine，SVM）的短时交通流量预测模型，并验证了SVM 模型在精度、收敛时间等指标上均优于BP（Back Propagation）神经网络，但在核参数g和惩罚系数c参数选择上存在难点，而这两个参数的选取对SVM模型预测结果影响较大；文献［4］提出了基于支持向量回归机的交通状态短时预测方法，但同时也提到了该模型的参数优化、预测精度的提高等还需要进一步的研究。

随着智能算法的提出，众多智能优化方法被用于优化机器学习模型及神经网络算法的参数，如：文献［5］提出了遗传算法（Genetic Algorithm，GA）优化BP 神经网络的短时交通流混沌预测，有效降低了BP神经网络预测模型陷入局部极小值的概率；文献［6］提出了采用粒子群优化（Particle Swarm Optimization，PSO）算法对多核SVM 的参数进行优化，增强了模型的非线性拟合能力；……