1、短時車流量預測作為城市道路交通誘導決策的重要支持，在智能交通系統(tǒng)中具有關(guān)鍵性的基礎(chǔ)作用。短時車流量的變化受多種因素的影響，因而采用傳統(tǒng)建模方式不僅較為繁瑣，且已建立好的模型不易移植。機器學習方法可利用歷史車流量數(shù)據(jù)集訓練模型，使其自動發(fā)現(xiàn)數(shù)據(jù)中的變化規(guī)律，從而預測未來短時間內(nèi)的車流量。
　　本文分別基于支持向量機(SVM)、隨機森林和深度神經(jīng)網(wǎng)絡(luò)(DNN)，對短時車流量的預測模型進行了研究，主要工作內(nèi)容和研究成果如下:
　　

2、(1)根據(jù)影響車流量變化的因素，提取特征變量，構(gòu)造模型的訓練集。依據(jù)數(shù)據(jù)完整性分布，采用一種折衷的數(shù)據(jù)清洗方法，即丟棄低于90％觀測率的車流量數(shù)據(jù)。
　　(2)基于SVM模型對車流量進行預測，并針對SVR的超參調(diào)節(jié)問題提出一種改進的隨機搜索算法，提高了超參調(diào)節(jié)效率，降低了模型使用的復雜度，同時也達到較高的預測水平。
　　(3)使用隨機森林模型對車流量進行預測，對于模型的調(diào)節(jié)，分別進行了默認超參和超參尋優(yōu)實驗，論證了隨機森林在