交通速度预测是智能交通系统中必不可少的环节。由于交通环境的复杂性,预测未来的交通速度十分困难。已有文献中提出使用支持向量回归（SVR）、回归神经网络（RNN）等多种机器学习模型进行交通流预测。然而,对于交通流的预测,尤其是对多步交通速度的预测,目前有关使用集成模型解决的研究较少。集成模型通过对多个基模型的组合,可以提高模型的泛化能力和准确率。但目前的集成组合方式比较单一,例如使用平均集成,加权集成,SVR集成等。这些集成方式对于每步的交通速度预测是分离的,未考虑预测序列间的联系。本文提出了一种基于集成学习的“三重解码神经网络”（TDNN）模型,由三个序列到序列（Seq2Seq）模型组成,并对其进行了详细的改进,以便于形成集成模型。基于对回归问题的分析,本文为作为基模型的Seq2Seq模型设置不同损失函数,以解决集成中基模型设计困难的问题。同时,通过RNN来考虑预测序列间的联系,以此降低集成模型的偏差。另外,通过分析交通速度数据的特点,本文提出了一种“T转换”的数据预处理方法,以帮助RNN更好地学习交通速度序列中的信息。这是首次提出的交通速处理方式,它不同于之前的标准化或归一化的处理方式,而是将原速度值映射到向量空间,使得输入的交通速度序列包含对应的时间信息。本文的实验都在中国北京真实环境下的交通速度数据进行的,因为人口密集的北京具有更严峻的交通拥堵问题。本文的实验表明了TDNN相对于其它集成方式的优越性能,以及T转换对预测交通速度序列的显著影响。