据数据统计,截止到2021年9月,国内所拥有的汽车数量已经达到了3.9亿辆,随着汽车拥有量的不断增长,一些交通问题也随之而来,比如交通拥堵、环境污染和能源消耗。汽车数量的不断增长在给人们的工作、生活带来不便的同时也给道路相关管理部门带来了挑战。现阶段交通拥堵已经成为阻碍城市发展的主要矛盾,实时、可靠的交通流预测可以为交管部门缓解道路拥堵提供理论依据,方便出行人员更清楚的了解路况,及时的获取路况可以为出行人员选择路线提供参考,以更大程度的利用交通资源,缩短出行时间,减少由交通拥堵带来的经济损失。因此,实时、可靠的短时交通流预测方法研究具有学术价值和现实意义。现有的短时交通流预测的模型大多数是只考虑正常天气状况的交通流量预测,对于存在的一些外部因素的影响并没有纳入交通流预测的考虑范围。不同的天气状况对交通流的影响也各不相同,在常见的天气中,例如雨天,不同的降雨强度均会对出行计划产生不同程度的影响,而一些极端天气,会使一些出行计划被迫终止。在节假日期间,出行人数急剧增加,交通流的分布也随之改变。本文针对部分模型考虑因素单一,充分考虑了天气、节假日对交通流特性的影响,通过构造数据集进行多因素的融合,利用长短时记忆网络捕捉时间序列的长期依赖关系,引入注意力机制层来自动捕获不同输入特征,以概率分布的思想对重要的信息分布足够的权重,构建了融合多因素的短时交通流预测模型（Attention-based CNN-LSTM,CLA）。借助采集到的交通流及天气数据对构建的模型进行验证,首先将采集到的原始交通流及天气数据进行预处理,经过处理的数据对CLA模型进行训练。通过设置消融实验,将CLA与未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比。为了进一步验证小波去噪对短时交通流预测的影响,用原始数据和去噪后的数据分别训练CLA-1和CLA-2模型。通过改变时间步长,将本文所提出的CLA模型分别与传统模型及CLA-ATTN、CLA-MFACTOR两种变体模型进行对比分析。由仿真实验结果可以看出,CLA模型的准确率能达到94.42%,相较于传统模型及变体模型,CLA模型具有较高的准确性和稳定性。最后,通过实验对比分析了休息日和工作日交通流预测的差异性,进一步证明了本文所提出方法的可靠性。