1.一种在线式实时短时间交通流预测方法，其特征在于，包括以下步骤：步骤一，选定需要进行交通流预测的路段，获取所选路段的短时交通流历史数据，并构建所选路段的短时交通流历史数据库；

步骤二，根据获取的短时交通流历史数据，确定短时交通流预测的预测时段；

步骤三，根据所述的预测时段，确定短时交通流数据的样本周期；

步骤四，根据所述的样本周期，确定在线预测时间样本更新的滑动时间窗口长度，即每次在线预测时所需要使用的交通流历史数据的数量；

步骤五，进行短时交通流的初始预测

首先，根据滑动时间窗口的长度，选择初始短时交通流样本数据，并构成最小二乘支持向量机模型，即LS-SVM模型的初始训练数据集，该训练数据集中的交通流历史数据按时间逆序排列，并根据采样时刻的顺序进行编号；然后，利用所述的初始训练数据集训练所述的LS-SVM模型；最后，利用训练好的最LS-SVM模型进行初始交通流预测；

步骤六，按照滑动时间窗口进行交通流历史数据的更新

在短时交通流历史数据库中，获取一条新的交通流数据，根据该交通流数据的采样时刻确定该数据在滑动时间窗口中的编号；然后，根据确定的编号，删除原滑动时间窗口中对应编号的数据，将新的数据插入到该位置，这样滑动时间窗口就完成了一次数据更新；

步骤七，对所述的LS-SVM模型进行更新，然后进行新一轮的短时交通流预测。

2.如权利要求1所述的所述的在线式实时短时间交通流预测方法，其特征在于，所述的路段短时交通流历史数据是指路段短时交通流量数据，该数据通过公路运营管理部门获取；路段短时交通流历史数据按时间顺序存储，数据中包括数据采集日期、时刻和交通流量值。

3.如权利要求1所述的所述的在线式实时短时间交通流预测方法，其特征在于，步骤二中所述的预测时段为5～15分钟。

4.如权利要求1所述的在线式实时短时间交通流预测方法，其特征在于，步骤五中，滑动时间窗口表示为如下式所示的数据集合：{(xi,yi)|i＝1,2,...,M,xi＝i}    (1)在式1中，xi的下标i表示交通流数据在滑动时间窗口中的编号，其取值范围为1至M，M为滑动时间窗口的长度；xi的值等于其下标i，即xi＝i；yi表示滑动时间窗口中第xi号交通流量采样值。

5.如权利要求2所述的在线式实时短时间交通流预测方法，其特征在于，步骤五中，构建的LS-SVM模型表示为：上式中，M为滑动时间窗口长度；预设参数λ取值为1；核函数k(x,xi)采用径向基RBF核函数，ai是Lagrange乘子向量a的第i个元素，x为期望预测的交通流数据的编号，y为预测的编号为x的交通流的值，其中x取值大于M。

6.如权利要求5所述的在线式实时短时间交通流预测方法，其特征在于，所述的公式(2)中，Lagrange乘子向量a的计算公式为：a＝(K+λ2E+C-1I)-1Y   (4)

上式中，预设参数λ取值为1，规则化参数C取值为4，E为M×M阶的全1矩阵，I为M×M阶单位矩阵，K为M×M阶核函数矩阵，Y＝(y1,y2,...,yM)T为滑动时间窗口中的交通流历史数据；

令H＝K+λ2E+C-1I,(λ＞0,C＞0)，将H称为核扩展矩阵。

7.如权利要求1所述的在线式实时短时间交通流预测方法，其特征在于，步骤六中，计算新的交通流数据在滑动时间窗口中的编号i'采用以下公式：i'＝((n-1)mod N)*T+d   (6)

上式中，n表示新的交通流历史数据是第n天的采样数据，N是构建初始滑动时间窗口时选取的连续N天的交通流历史数据，T表示交通流数据的样本周期，d表示新的交通流历史数据的采样时刻编号。

8.如权利要求1所述的在线式实时短时间交通流预测方法，其特征在于，步骤七中对LS-SVM模型进行更新的具体步骤为：设步骤五中得到的核扩展矩阵H的逆矩阵表示为R，则当滑动时间窗口发生一次数据更新后，根据更新数据的编号i'，按公式7计算滑动时间窗口发生一次数据更新后Lagrange乘子向量anew：在公式7中，aold表示滑动时间窗口更新前得到的Lagrange乘子向量；R(:,i')表示由矩阵R的第i'列元素构成的列向量； 表示本次数据更新中新加入滑动时间窗口的交通流历史数据采样值； 表示本次数据更新中被替换掉的交通流历史数据采样值；

通过公式7求得Lagrange乘子向量anew后，则在线更新的LS-SVM预测模型可表示为：。