随着经济的快速发展和交通拥堵问题的出现,智能交通系统逐步发展起来并得到广泛应用,而其中短时交通流量预测的实时性和准确性是智能交通系统对交通流进行控制和诱导的关键所在,对于缓解交通拥堵问题具有重要的理论意义和实际应用前景。针对短时交通流量序列具有的非线性、不平稳性和随机性特点,因为快速集合经验模态分解（Fast Ensemble Empirical Mode Decomposition,FEEMD）可有效降低交通流量的不平稳性,故本文首先采用FEMD分解交通流量序列;然后针对单一预测模型预测精度较低的问题,对分解后随机性程度不同的子序列分别建立模型进行预测。基于此,本文提出一种基于FEEMD的多序列混合预测模型,以达到提高短时交通流量预测精度的目的。本文主要研究内容如下:（1）首先针对原始交通流量时间序列具有较强的不平稳性特点,提出了基于改进的FEEMD分解算法,将不平稳性较强的交通流量分解成多个相对平稳的子序列。为了降低对相关性弱的交通流量子序列进行预测造成的误差累计,对分解后的交通流量子序列进行Pearson相关性分析,筛选出相关性强的子序列,并结合排列熵计算以量化子序列的复杂度和随机性,将交通流量子序列分成高频、中频、低频子序列。（2）然后针对单一预测模型对多序列问题预测精度不高的缺点,提出了多序列混合模型的预测方法,针对交通流量子序列具有不同的复杂度和波动特征,对其分别建立预测模型。具体是使用非线性映射能力强的双向长短时记忆网络预测高频子序列,用核极限学习机预测中频子序列,用适于预测平稳性序列的差分整合自回归移动平均模型预测低频子序列,结合改进的粒子群算法对双向长短时记忆网络和核极限学习机的参数进行最优选取,以提高模型预测精度;最后将各子序列预测值叠加得到最终的短时交通流量预测结果。（3）采集合肥市徽州大道与芜湖路交叉口南路段的短时交通流量数据作为数据样本,用上述建立好的预测模型对交通流量数据样本进行预测。并利用误差评价指标平均绝对误差、平均绝对百分误差和均方根误差将预测结果与其他预测模型进行对比,实验表明,本文提出的混合预测模型预测精度更高,性能更优。