智能交通系统是一个时变、随机和复杂的系统,其显著特点是具有高度的不确定性,这种不确定性给交通流预测带来了很大困难。近年来,Vapnik等人提出基于统计学习理论框架下的支持向量机模型是一种较好的交通流预测方法。核函数的选择作为支持向量机算法的关键步骤,对整个算法性能的提高起着重要作用。针对这一研究热点,大量学者展开了深入的讨论,但至今还没有得到行之有效的理论原则或通用方法。本文的主要工作就是构造一种适合交通流预测的核函数,提升支持向量机理论在交通流预测中的性能。论文首先从目前最为常用的RBF (Radial basic function)核函数入手,通过理论和实验分析,找到RBF核函数在交通流预测应用中存在的不足,包括信息丢失、过长的训练和预测时间以及对边界处信号和多尺度信号预测精度不高等。然后,针对RBF核函数存在的这些瓶颈,引入小波理论加以优化,由于基于小波理论构造的核函数可以逼近平方可积空间L2(R),具有局部化、多层次、多分辨的优点,同时可以进行多尺度分析,能够改进RBF核函数在交通流预测应用中的不足。论文还根据Mercer点积子波核定理和平移不变核定理构造了小波核函数,同时针对交通流数据具有混沌、分形、不规则等非线性特征,选择了Bubble小波作为小波核函数的母波。之后根据小波理论可用于多分辨分析的特点,又将Bubble小波核函数扩展为多尺度小波核函数,并且设计了精度提高判别法用于尺度选择。最后结合美国洛杉矶高速、公路真实数据进行仿真试验,结果表明Bubble小波核函数和多尺度小波核函数可以有效地改善交通流量的预测精度,并能够随交通流的动态变化实现支持向量机算法模型的自适应,进而满足对交通流数据实时预测的需求。