随着机动车保有量的大幅度上升和私家车的全球性普及,导致交通系统的负载过大,环境污染也随之加剧。面对复杂且难以管控的交通拥堵问题,人工智能技术完美的应用在交通系统当中,在此背景下智能交通获得飞速发展。智能交通系统是通过信息化的方式管理交通的一种现代化手段,而交通流预测是智能交通系统中不可替代的核心成分。因此,为了缓解交通拥堵,提高城市路网的利用率,本文在研究和分析了传统预测模型的利弊后,选择组合模型的方式对短时交通流的预测展开研究。本文所做的主要工作如下:1.针对单一模型无法深入挖掘交通流复杂的线性和非线性特征的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型。该组合模型有效的融合了季节性差分自回归滑动平均模型（Seasonal Autoregressive Integrated Moving Average,SARIMA）模型突出的线性拟合能力和Elman递归神经网络强大的非线性映射能力,首先基于SARIMA滚动预测时间序列的线性分量;然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法（Genetic Algorithm,GA）优化Elman-RNN,旨在提升Elman-RNN的训练效率;最后把两个模型的预测结果加权组合得到最终的预测值。实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型和其他类似组合模型都有较为明显的提升。2.针对交通流数据在采集过程中会受到各种噪声的干扰,单一维度交通流特征的片面性以及交通系统在时空维度方面存在关联性等问题,本文提出了一种基于EEMD-GRU的多元交通流组合预测方法。首先,利用集成经验模态分解算法（Ensemble Empirical Mode Decomposition,EEMD）去除交通流多元时间序列的噪声信息;然后对降噪后的多元序列结合时空特征进行重构;最后构建基于门控循环单元（Gated Recurrent Unit,GRU）的循环神经网络完成多元时间序列的拟合,进行交通流的预测。该组合模型结合了神经网络的建模思想和数据挖掘领域的算法设计,分析了交通流参数间的相关特征和多元时间序列的时空特性,提高了预测精度,拓展了短时交通流预测的研究方向。通过实验仿真分析,该组合模型的预测精度相比基于LSTM的单变量和多变量预测模型都有较大的提升。