随着交通传感器的广泛应用和新兴传感器技术的发展,交通流量数据显著增加,通过信息化方法收集和分析交通流量数据并进行短期交通流预测具备了可行性和必要性。然而,交通流是一个实时、完全非线性、高维、非平稳的随机过程,难以捉摸的交通流变化模式自然包含由内部和外部变化（包括交通事故和极端天气）引起的噪声,这使得短期交通流预测成为一项有挑战性的任务。在过去的几十年里,学者们提出了预测不同交通条件下交通流量的简单而有效的方法,每种方法都有各自的优缺点。然而,大多数交通流量预测的研究是基于正常交通条件下进行的,很少考虑到交通数据中存在的噪声对模型的干扰。针对短期交通流数据中存在噪声对预测产生不利影响的问题,本研究提出了不同交通原始数据情况下的两种全新的基于噪声免疫的短期交通流预测模型,主要的研究内容如下:1)为了利用交通流数据中包含的时空相关性和抑制交通流数据中包含的噪声,提出了一种基于噪声免疫和时空特征的短期交通流预测模型。首先使用小波阈值去噪法将有效的信号提取出来,然后利用图卷积网络（graph convolutional network,GCN）来捕获交通流数据的空间维度特征,再使用长短期记忆网络（long short-term memory,LSTM）捕捉道路上交通数据的动态变化,以模拟时间依赖性。实验结果表明,相比于以往提出的模型,该方法可以获得更加有竞争力的结果。2)针对交通流信号中包含的由内部和外部变化引起的噪声和数据中隐藏的一些重要特征和异质相关性无法得到充分利用的问题,提出了一种新的基于噪声免疫和短期交通流预测模型,以二维方式预测短期交通流。在这种情况下,合理的做法是使用强大而有效的主干来充分提取丰富的信息,以探索交通流的隐含变化模式,提高模型的预测性能。此外,为了提高对噪声的抗干扰能力,构造了基于最大熵准则的动态噪声免疫损失函数。为了证明该方法的有效性,在四个真实的基准数据集上进行了广泛的实验,以揭示该模型的优越性。此外,为了研究每种成分的重要性,进行了额外的消融实验。主要结果表明,该方法可以更准确地预测未来的交通流。