随着中国城市化速度越来越快,智能交通系统作为物联网、人工智能、大数据等技术在交通领域的重要应用,也逐渐成为缓解城市交通拥塞、提升出行效率的重要手段。准确高效的短时交通流的预测在智能交通系统的构建中扮演着关键的角色。由于交通流容易受到许多因素,如天气、道路情况等影响,数据往往呈现出相当的随机性和不确定性。如何高效、稳定、精确地进行短时交通流的预测仍然是一项具有挑战性的工作。交通流模型预测精度的提升受到许多因素的影响,其中较为典型的影响因素有两个:一是预测模型的参数选择是否最优,二是交通流数据容易受到噪声的干扰,从而影响模型的预测性能。本文具体工作如下:针对交通流预测模型的超参数选择难以达到最优的问题,本文提出改进鲸鱼算法（IWOA）优化极限学习机,从而改善模型的预测效果。极限学习机（ELM）是基于前馈神经网络的训练算法,由于它计算复杂度低,预测精度高,因此在交通流的预测中得到了广泛的应用。为提升ELM的预测精度,本文引入了改进的智能算法鲸鱼算法（IWOA）来确定ELM的最优参数,并与原有的鲸鱼算法（WOA）和引力搜索算法（GSA）进行对比,实验结果表明改进鲸鱼算法（IWOA）确定ELM最优参数的能力更强,预测精度更高。针对交通流数据容易受到噪声的干扰,从而影响模型的预测精度的问题,本文从两个角度去除噪声的影响,一是从数据集的角度进行噪声去除,二是从模型的角度引入了最大协同熵作为损失函数以过滤非高斯噪声,并提出了一种利用卷积神经网络（CNN）的特征提取能力和长短时记忆神经网络（LSTM）处理时序关系的CNN-LSTM预测方法。实验结果选择了六种基线模型进行对比,并给出了去噪前后的预测精度,结果证明该方法能有效去除噪声的影响,从而提升预测的精度。