城市作为一种复杂的社会生态系统，聚集了高密度的人口和社会经济活动，随着社会经济高速增长、城市化进程的加深，居民的交通出行需求多种多样，机动车保有量高速增长，现有的交通服务难以契合城市发展水平，导致道路交通拥堵、空气污染和交通事故频发等交通难题，极大地影响了城市功能的正常运转。如何解决交通难题成为城市发展的关键，受技术、空间以及经济等条件的制约和影响，应对交通问题的方法己经由原来注重交通基础设施投资建设，转为规划建设与交通需求管理并举。作为交通需求管理基础的交通需求预测方法由经典的集计方法转向非集计方法的研究，而Probit模型、Logit模型是非集计方法典型。随着机器学习的兴起，也可以实现对居民交通出行的预测，为非集计模型的应用以及评估短期交通需求管理和控制策略提供了新方向。
　　本文建立PSO优化LS-SVM的机器学习方法预测居民的交通出行需求，实现对居民出行方式、出行次数以及出行时间的预测，主要研究内容如下：
　　(1)利用居民出行调查数据，从出行方式、出行时间以及出行次数三个主要方面分析出行特征，把握居民出行的差异性，得到居民出行的趋势与规律。
　　(2)结合居民个人属性、家庭属性和出行属性的比例分布关系以和总体特征，对各属性以及出行行为的选择进行划分并量化确定取值，利用Spearman相关系数对影响出行行为的属性进行相关性检验，确定与出行行为显著相关的影响因素。
　　(3)基于PSO-LSSVM机器学习方法，构建出行方式预测模型、出行次数预测模型以及居民第一次出行时间预测模型和最后一次出行时间预测模型。
　　(4)对出行方式预测模型进行5折交叉验证，验证PSO-LSSVM的稳定性和泛化能力。为了对比预测效果，利用相同的样本数据分别以标准SVM和MNL模型进行预测，并对比分析预测精度。
　　(5)作为模型的应用，分析公共交通资源发展及优化配置对居民出行行为影响，对居民住宅至最近公交站的步行时间和候车时间，分别进行单因素控制变量对居民出行行为进行预测分析，依据分析结果提出对公共交通优先发展以及资源优化配置的对策和措施，为交通规划、交通政策的制定提供科学依据。