交通非线性的特点，可以通过历史数据进行学习推演，不需要进行模型识别和参数估计。但是非线性方法需要有大量的数据作为作为支撑才能保持学习和预测的精度，这就增加了大量的任雪莲等结合神经网络和遗传算法提出了种新的优化算法，预测效果优于单独使用算法王凡对支持向量机的参数选择核函数构造增量学习并行计算等方法以及在交通流预测中的应用进行了系统的研，结果表明支持向量机具有较好的性能。在国内方面，王进和史其信用基于相空间重构理论的加权阶局域预测法进行了短期交通流预测，为用非线性的思想和方法分析短期交通流特性和预测短期交通流提供了个新的思路基于递归神经网络模型对车辆通过高速公路的时间进行了预测等使用支持向量机对噪声数据和无噪声数据进行交通流预测速度慢存储开销大。利用多元非参数回归模型进行交通流预测等对交通流预测中的参数和非参数模型进行了对比和样本很少的情况下具有较好推广能力，在解决非线性小样本以及高维式识别问题中表现出了许多特有优势。但是，支持向量机模型需要解决二次规划的问题，其规模与训练模式量成正比，因此训练算法计算复杂度高自适应较强的容错性，还能识别非线性复杂系统等特点。但是，神经网络还存在需要大量的训练数据，收敛速度慢等问题。支持向量机模型运用结构风险最小化的原则解决了神经网络固有的些缺陷，而且在训练大的历史数据作为支撑，以及在计算过程复杂等缺点。神经网络预测模型用典型黑箱学习模式，不需要任何经验公式，就能从已有的数据中获取这些数据的规律。神经网络预测模型具有独特的并行结构自组织联想记忆大的历史数据作为支撑，以及在计算过程复杂等缺点。神经网络预测模型用典型黑箱学习模式，不需要任何经验公式，就能从已有的数据中获取这些数据的规律。神经网络预测模型具有独特的并行结构自组织联想记忆自适应较强的容错性，还能识别非线性复杂系统等特点。但是，神经网络还存在需要大量的训练数据，收敛速度慢等问题。规律。神经网络预测模型具有独特的并行结构自组织联想记忆大的历史数据作为支撑，以及在计算过程复杂等缺点。神经网络预测模型用典型黑箱学习模式，不需要任何经验公式，就能从已有的数据中获取这些数据的规律。神经网络预测模型具有独特的并行结构自组织联想记忆自适应较强的容错性，还能识别非线性复杂系统等特点。但是，神经网络还存在需要大量的训练数据，收敛速度慢等问题。支持向量机模型运用结构风险最小化的原则解决了神经网络固有的些缺陷，而且在训练样本很少的情况下具有较好推广能力，在解决非线性小样本以及高维式识别问题中表现出了许多特有优势。但是，支持向量机模型需要解决二次规划的问题，其规模与训练模式量成正比，因此训练算法计算复杂度高速度慢存储开销大。利用多元非参数回归模型进行交通流预测等对交通流预测中的参数和非参数模型进行了对比和基于递归神经网络模型对车辆通过高速公路的时间进行了预测等使用支持向量机对噪声数据和无噪声数据进行交通流预测，结果表明支持向量机具有较好的性能。在国内方面，王进和史其信用基于相空间重构理论的加权阶局域预测法进行了短期交通流预测，为用非线性的思想和方法分析短期交通流特性和预测短期交通流提供了个新的思路任雪莲等结合神经网络和遗传算法提出了种新的优化算法，预测效果优于单独使用算法王凡对支持向量机的参数选择核函数构造增量学习并行计算等方法以及在交通流预测中的应用进行了系统的研究。总的来说，非线性理论的方法更加符合交通非线性的特点，可以通过历史数据进行学习推演，不需要进行模型识别和参数估计。但是非线性方法需要有大量的数据作为作为支撑才能保持学习和预测的精度，这就增加了大量的运算。基于混合理论的方法基于混合理论方法般是将两种或两种以上的预测方法结合起来进行预测，组合各个模型的优点，以便能够得到更好的预测效果。年，和首次提出了组合预测的理论和方法，将不同的预测方法进行组合。现在的交通流预测组合模型主要有基于小波理论的综合模型如小波理论与滤波的结合小波理论与时间序列的结合基于神经网络的综合模型如神经网络与时间序列相结合神经网络与模糊系统相结合高阶广义神经元网络与遗传算法相结合等，以及多种方法的融合应用。基于模糊概念和神经网络结合提出了模糊神经网络模型，对高速公路短时交通流进行预测等将神经网络与时间序列模型相结合建立了组合预测模型，对未来半小时和小时的交通流量进行了步预测。在国内方面，冮龙晖将时间序列相似性分析方法和指数平滑预测方法相结合，设计了交通参数动态多步预测方法，并用城市快速路的实测交通流量数据对所提出的方法进行了实证分析杨世坚和贺国光提出了基于模糊均值聚类和神经网络的短时交通流预测方法。总的来说，混合预测方法提升了预测的精度，但混合后的模型复杂，计算量大，预测速度下降，很难满足实时性要求。过程中经常出现的噪声数据和缺失数据的问题，提出了趋势历史均值填充方法来处理数据缺失的问题，提出了基于高斯分布的统计方法来处理噪声数据的问题，并从实际物流配送路网中数据验证了其有效性和准确性。经过处理之后的实时路况数据，已经在各行各业中使用了，目前国内外许多网站都推出了能够查看浏览实时路况的地图，例如谷歌地图，百度地图，高德地图等，可以为用户的出行提供很好的辅助。徐耀群，尹逊芹基于实时路况数据对物流配送路径的优化问题做了研究，通过分析实时动态网络模型，提出了针对实时路况的配送优化调整策略，并采取带插入规则的节约算法进步确保策略的有效性，解决了交通运输过程中的交通阻塞问题，降低了成本。路况预测路况预测主要是利用交通信息选择最合适的模型和方法来有效的预测未来段时间内的交通状况。路况预测模型最早可以追溯到世纪年代，人们利用在其他领域较为成熟的预测模型应用到路况预测中。到目前为止，常见的预测方法大致可以分为类基于线性理论的方法基于非线性理论的方法基于混合理论的方法。基于线性理论的方法基于线性理论方法就要包括时间序列模型历史平均模型状态时空模型。和首次将时间序列模型应用与交通预测领域等提出了基于无偏卡尔曼滤波的交通预测模型，使用感应线圈获取的数据进行预测使用季节模型对城市道路进行交通预测，并验证该模型预测效果优于神经网络模型。在国内方面，杨兆升和朱中建立了基于卡尔曼滤波的交通实时预测模型芮少权匡安乐在考虑高速公路月度交通量季节性周期特点基础上构建了预测模型，对高速公路进行月度交通量预测，模型预测综合误差为聂佩林余志和何兆成提出了基于约束卡尔曼滤波的短时交通流量组合预测模型，克服了单的交通流预测模型性能不稳定问题。总的来说，基于线性理论的预测方法，模型相对简单，计算速度快，能满足实时性的要求，但由于其理论基础大多数是线性估计模型，随着预见时间间隔的缩短，交通变化的随机性和非线性加强，会减弱模型的预测能力。基于非线性理论的方法基于非线性理论的方法主要包括非参数回归预测模型神经网络预测模型和支持向量机模型。非参数回归源于混沌理论，是种适合不确定的非线性的动态的非参数建模方法，是种无参数可移植性预测精度高的算法，误差小，且分布良好，但该算法具有需要盘大的历史数据作为支撑，以及在计算过程复杂等缺点。神经网络预测模型用典型黑箱学习模式，不需要任何经验公式，就能从已有的数