1.一种道路拥堵情况分析方法，用于分析下一时刻的道路拥堵情况，具体包括：
建立道路拥堵预测模型，所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型；
采集交通流量数据并进行数据预处理；
将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况：首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况；然后将上述两个模型的输出结果加权求平均值，作为最终的结果。
2.如权利要求1所述的道路拥堵情况分析方法，其中，
所述的道路拥堵预测模型的输入量为：q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3，q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量。
3.如权利要求1所述的道路拥堵情况分析方法，其中，
所述BP神经网络模型包括输入层、隐含层和输出层，输入层包含一层7个节点，隐含层包含一层14个节点，输出层包含一层1个节点，输入层的7个节点分别是q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3，q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量；
因为要预测下游路口某一时刻的交通流量,因此输出的神经元数目取1个即要预测的路口流量；
根据经验公式,选取14个隐含层单元数目。
4.如权利要求1所述的道路拥堵情况分析方法，其中，所述SVM模型采用(q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3)作为输入量来进行预测,即采用了上游的路口流量以及本段路口的前三个时间段和当前时刻的流量总共7个单元来预测下一个时刻的流量。
5.如权利要求1所述的道路拥堵情况分析方法，其中，所述SVM模型采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：
(1)初始化粒子群,通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化,使参数c和δ构成一个微粒,即(c,δ),并设最大速度为Vmax，用pbest表示每个微粒的初始位置,用gbest表示粒子群中所有微粒的最好初始位置；
(2)评价每个微粒的适应度,计算每个微粒的最优位置；
(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较,如果当前适应值优于最优位置,则将适应值作为粒子当前的最好位置pbest；
(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较,如果适应值优于群体微粒的历史最优位置gbest,则将适应值作为群体微粒的最优位置gbest；
(5)根据改进的粒子群算法调整当前微粒的速度和位置；
(6)当适应值满足条件时,迭代结束,否则返回第二步继续优化参数，当第六步完成后,就会优化出最佳的参数c和δ,这样就可以得到最理想的支持向量机模型,用此模型进行故障预测。
其中，设种群大小N＝20,惯性权重ω＝0.9,加速常数C1＝1.4，C2＝1.6,训练支持向量机，得到惩罚因子c的最佳取值为4.0323,核函数δ的最佳取值为0.51003。经粒子群算法优化,SVM分类器的分类准确率达到98.8134％。
6.如权利要求1所述的道路拥堵情况分析方法，其中，所述SVM模型采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：
(1)初始化种群,生成一定数量的个体作为初始种群,每条染色体由(c,δ)组成，其中c为惩罚因子，δ为核函数；
(2)选定目标函数对初始种群进行支持向量机训练,把支持向量机的均方误差作为目标函数,计算每个个体的适应度；
(3)进行选择运算、交叉运算、变异运算得到新一代种群,对新产生的种群进行支持向量机训练；
(4)如果新产生的种群满足终止规则,则输出具有最大适应度的个体作为最优参数,用最优参数进行预测，否则增加进化代数,转入步骤(3)继续执行。