1.一种基于SA‑PSO的短时交通流预测方法，其特征在于，包括如下过程：(0)

步骤1：获取车联网的短时交通流数据，建立非等间距GM(1,1)模型的原始数据序列X(0) (0) (0)＝(x (k1),x (k2),…,x (kn))；

(0) (1)

步骤2：对所述原始数据序列X 作1‑AGO处理，得到1‑AGO序列X ，其中，为数据序号，Δkj＝kj‑kj‑1,Δk1＝1；

(1) (1)

步骤3：根据所述1‑AGO序列X ，生成背景值Z 、计算矩阵B和Y，获得所述非等间距GM(0) (1)(1,1)模型的表达式为x (ki)Δki+az (ki)＝b，通过最小二乘参数估计获得参数序列为其中，a为发展系数，b为灰作用量，步骤4：通过模拟退火算法和粒子群优化算法，确定背景值和初始条件的最优自适应参* *数p与δ；

*

步骤5：利用步骤4所得的最优自适应参数p 重构背景值，建立所述非等间距GM(1,1)模*型，利用步骤4所得的最优自适应参数δ重构初始条件，求解所述非等间距GM(1,1)模型的(1)白化微分方程的时间响应函数，即为所述1‑AGO序列X 的模拟预测序列 通过累减还原(0)获得所述原始数据序列X 的模拟预测序列 即为短时模拟交通流数据；

(1)

其中，步骤3中生成背景值Z 包括：其中，q为计算参数， p为自适应参数，p为一个整数值，p≥1， 为1‑AGO序(1)列X 的拟合函数，

(0)

M＝x (k1)‑N；

其中，步骤4中的初始条件为：*

其中，δ为自适应参数， θ为时间参数的最优值，其计算方法为：G为计算参数，

所述步骤4进一步包括：

设定误差阈值，以相对误差平方和指标小于所述误差阈值时的p和δ为最优自适应参数* *p与δ；

所述相对误差平方和指标为(0)

所述原始数据序列X 的模拟预测序列 为：

2.根据权利要求1所述的基于SA‑PSO的短时交通流预测方法，其特征在于，所述1‑AGO(1)序列X 的模拟预测序列 为：