现代城市区域中,交通状况通常会迅速变化,大部分城市中的道路基础设施和交通资源已临近饱和,无法通过增加基础设施缓解交通拥堵问题,日益增长的私家车保有量也在不断挑战交通系统的极限。使用智能交通系统发现交通流量的规律并预测交通流量,从而制定管理分流措施逐渐成为交通管理的新模式,智能交通系统的应用可以有效缓解交通拥堵,充分利用交通资源。随着科技的不断发展,智能交通系统通过传感器,行车装置收集交通数据,使得动态分析交通状态与预测交通流量变为可能。本文使用集成学习作为一种提高预测精确度的方法,构建并结合多个学习模型来完成学习任务,集成预测结果保证精度。由于数据中随机因素的影响,不同的学习模型会产生具有一定区别的预测结果,提出了一种基于极端梯度提升树与支持向量回归的堆叠集成预测模型,使用极端梯度提升树转换每个记录的输入,使用其预测结果形成的新特征,输入通过粒子群优化的支持向量回归模型进行再次学习,形成预测模型。在城市区域数据的相关实验证明这种回归与优化组成的集成预测方法是有效的。考虑交通流会受路网结构影响,存在空间相关性,提出了一种基于时空数据集成预测的交通流量预测方法,该方法使用随机森林和Light GBM算法分别预测路段的时间数据与空间数据线性集成,集成模型的关键参数由遗传算法自适应调节。在某路段交通流量数据的相关实验表明,时空数据集成模型相比单独使用时间数据与空间数据进行预测拥有更好的预测精度。本文设计了基于交通流量数据的预测系统,可以通过一定时间内交通流量的可视化视图对交通情况进行描述,更加直观地了解交通数据,亦可以使用两种集成模型预测交通流量,显示预测误差与对比图表,观察模型的预测效果。