1.一种交通短时流量智能预测方法，其特征在于，包括以下步骤，利用第一模型分别提取原始交通流序列中的非线性特征和高频噪声，将原始交通流序列分解为几个中心频率不同的子序列；

分别建立第二模型和第三模型，并对不同中心频率的子序列进行预测，采用第二模型模型预测低中心频率子序列，采用第三模型预测高中心频率子序列；

将各子序列的预测值相加。

2.如权利要求1所述的一种交通短时流量智能预测方法，其特征在于，所述第一模型包括，

式中，s(t)表示信号中包含高频噪声；s0(t)表示过滤后的信号；||·||2表示函数的第二范数，f(t)表示待求信号，t表示时间序列；

将上述公式通过傅立叶变换方法得到以下公式：式中，s0(ω)、s(ω)分别表示s0(t)和s(t)的傅立叶变换；α是过滤因子；

根据下述公式将s(t)分为k个子系列，式中，si(t)表示分解的子系列，k表示子系列的个数。

3.如权利要求1所述的一种交通短时流量智能预测方法，其特征在于，所述第二模型，在通过变分模态分解后，为低频子系列建立第二模型；

d

设有样本空间{(xi,yi),i＝1,2,...m},xi∈R ,yi∈R，R表示样本空间，d表示自变量维d

数，n表示样本的个数，xi，yi表示样本，存在一个映射f:R→R，以最小化回归值f(xi)和对象值yi之间的均方根误差，

式中，ψ(·)表示非线性函数； 代表权重值，b代表偏移量；

然后引入第二模型：

式中，v表示惩罚因子，μ表示灵敏度，e表示预测值和对象值之间的误差，ei表示第i个样本预测值和对象值之间的误差，T表示矩阵转置；

在上述公式中应用拉格朗日乘数法，重写为以下公式,式中，L(·)表示拉格朗日函数,表示拉格朗日乘数,和b的解由KKT条件和下述公式获得

m×m T m n

式中，Ω∈R 由ψ(xi,xj)组成，ψ(xi,xj)是xi和xj、V＝[1,1,...1]∈R ；γ＝ν/μ；I∈R×n m

为单位矩阵；υ＝[y1,y2,...ym]∈R的核函数，高斯核函数如下述公式所示,

2 2

K(xi,xj)＝exp[‑||xi‑xj||/(2σ)],σ＞0式中，σ代表内核参数，然后，通过在样本空间中进行训练，生成下述公式，式中，xi是样本空间的每个向量。

4.如权利要求1所述的一种交通短时流量智能预测方法，其特征在于，所述第二模型包括，

设获得的时间序列样本为{x1,x2,...xn}，将时间序列样本重构为下述公式，式中，d表示自变量的维数，重建样本是 重建样本的联合分布核函数如下述公式所示，

式中， K(·)代表核密度函数； 代表通常对称的一个内核带宽矩阵，采用对角矩阵作为内核带宽矩阵，如下述公式所示，式中，σ1,σ2...σd是自变量 各个维的带宽参数，σd+1是 的带宽参数。σi(i＝1,2,...d)和σd+1并分别确定 方向和 方向的平滑度，采用以下公式确定σi和σd+1，式中，sti(i＝1,2,...d)和std+1分别代表{xi,xi+1,...xi+n‑d‑1}(i＝1,2,...d)和{xd+1,xd+2,...xn}的标准差；

核密度函数是高斯核密度函数采用以下公式所示，将联合分布核函数公式改写为下述公式式中， 和 是在 方向和 方向上对应的内核带宽矩阵，采用下述公式表示的多维核密度函数表示为下述公式公式