1.基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于：建模步骤如下：S1：将UTC/SCOOT系统所采集的某路段车流量数据，作为原始交通流时间序列数据；

S2：采用奇异谱分析(SSA)方法对S1所得数据进行降噪处理，作为交通流预测模型的建模数据；

S3：进行相空间重构，采用C-C算法估算嵌入窗宽τw、时间延迟τ，计算嵌入维数m，确定极限学习机(ELM)网络模型的结构；嵌入维数m的计算公式如下：τw＝(m-1)τ    (1)

S4：以降噪及相空间重构后的交通流时间序列数据，生成训练样本和测试样本；

S5：将S4中的训练样本作为ELM网络的训练样本；采用烟花差分进化(FWADE)混合优化算法确定ELM网络输入层与隐含层之间的连接权值和隐含层神经元的阈值；其中，FWADE混合优化算法，是将烟花算法(FWA)和差分进化算法(DE)有机结合，得到的一种烟花差分进化混合优化算法；

S6：保存S5中优化后的ELM网络连接权值和阈值，建立短时交通流预测的ELM网络模型；

S7：S4中的测试样本，是未经训练的交通流时间序列数据，作为ELM网络模型的测试样本，评估优化后的ELM网络模型的预测性能。

2.根据权利要求1所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的采用SSA方法，是滤除原始交通流数据中包含的噪声成分，是将现场采集到含有噪声成分的原始交通流时间序列数据YN＝[y1，y2，...，yN]转化为轨迹矩阵X；

对矩阵XXT进行奇异值分解，得到L个特征值λ1≥λ2≥...≥λL≥0及对应的特征向量；将每个特征值所代表的信号进行分析组合，重构出新的时间序列G＝[g0，g1，...，gN-1]。

3.根据权利要求1或2所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的采用SSA方法对数据进行降噪处理，处理过程包括嵌入、奇异值分解、分组与重构四个步骤；

S21：嵌入，选取窗口长度L(1＜L＜N，K＝N-L+1)，将数据YN转化为轨迹矩阵X，即TS22：奇异值分解，对矩阵XX进行奇异值分解，得到L个特征值λ1≥λ2≥...≥λL≥0及对应的正交特征向量U1，...，UL，令d＝max{i，λi≥0}，记 则矩阵X的奇异值分解为

X＝X1+...+Xd    (3)

其中， 为矩阵X的奇异值，Ui为左特征向量，Vi分别为右特征向量；

S23：分组，根据所提取成分的不同，将Xi分为m个不同的组I1，I2，...，Im，并将每组内所包含的矩阵相加，设第IJ组包含的子集为IJ＝{i1，...，ip}，则X相应被分解为

S24：重构，将每一个成分子组 重构为长度为N的序列G；设矩阵Y＝(yij)(i＝1，...，L，j＝1，...，K)，定义L*＝min(L，K)，K*＝max(L，K)，y*ij＝yij(若L＜K)或y*ij＝yji(若L≥K)，重构序列G＝[g0，…，gk，…，gN-1]可通过如下公式计算求得：重构过程保留了原始交通流时间序列中前m个较大奇异值的成分，舍弃了那些由噪声引起的较小奇异值成分；原始交通流时间序列经过SSA的过滤处理，得到降噪后的重构时间序列G，用于建立短时交通流预测模型。

4.根据权利要求1所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的FWADE混合优化算法，初始阶段采用标准DE算法搜索，对于每个目标向量，通过变异和交叉运算产生试验向量；若试验向量的适应度优于目标向量，则将其作为下一代候选解；否则，算法进入FWA算法搜索阶段，利用烟花算法搜索机制产生新的候选解；

FWADE算法实现步骤如下：

S51：算法的初始化，根据待优化问题确定种群规模N1、最大迭代次数N2、个体成员的初始值Xi(k)；设置FWA算法爆炸半径调节常数R、爆炸火花数调节常数M、爆炸火花数下限系数a、爆炸火花数上限系数b和高斯变异火花数G初始值，DE算法的比例因子F和交叉率CR参数初始值；设定迭代次数k＝1；

S52：根据待优化问题的数学模型，计算各个体成员的适应度值f(Xi(k))；

S53：DE算法搜索阶段。步骤如下：

S531：变异操作，随机选择种群中两个不同的个体，参照DE算法原理对种群中每个目标向量Xi(k)进行变异操作，产生变异向量Vi(k)；

S532：交叉操作，对每对目标向量Xi(k)和对应的变异向量Vi(k)进行交叉操作，形成新的试验向量Ui(k)；

S533：选择操作，根据待优化问题的数学模型，评价每个试验向量Ui(k)与对应目标向量Xi(k)的适应度值f；若Ui(k)的适应度值更优，则将其作为下一次迭代的候选解并转至步骤S55；否则进入步骤S54，即FWA算法搜索阶段；

S54：FWA算法搜索阶段，参照FWA算法的优化机制对种群执行搜索，计算种群的适应度值，择优产生新的候选解；

S55：对种群中每个个体都进行相同操作，个体序号i＝i+1，如果i≤N1转至步骤S53，否则转至步骤S56；

S56：更新全局最优解和迭代次数，根据新产生的候选解，评估每个个体的适应度值并更新全局最优解，更新迭代次数k＝k+1；

S57：算法终止条件(即群体的最优适应度值满足要求或迭代次数达到最大迭代次数N2)判断。若满足终止条件转步骤S58，否则重复步骤S53～步骤S57；

S58：输出FWADE算法的全局最优解。

5.根据权利要求1所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测建模方法，其特征在于所述的S4中的训练样本作为ELM网络的训练样本，建模过程的参数设置情况：ELM网络结构为9-11-1，激活函数为Sigmoid函数；ELM权阈值优化算法的适应度函数为由训练样本计算的均方根误差(RMSE)；FWADE算法的种群规模为40，群成员维数为110，最大迭代次数设为5000次；FWA算法的爆炸半径调节常数R＝210，爆炸火花数调节常数M＝

220，爆炸火花数下限系数a＝0.04，爆炸火花数上限系数b＝0.8，高斯变异火花数G＝60；DE算法的杂交参数CR＝0.6，缩放比例因子F＝0.5。