短时车流量预测作为城市道路交通诱导决策的重要支持,在智能交通系统中具有关键性的基础作用。短时车流量的变化受多种因素的影响,因而采用传统建模方式不仅较为繁琐,且已建立好的模型不易移植。机器学习方法可利用历史车流量数据集训练模型,使其自动发现数据中的变化规律,从而预测未来短时间内的车流量。本文分别基于支持向量机(SVM)、随机森林和深度神经网络(DNN),对短时车流量的预测模型进行了研究,主要工作内容和研究成果如下：(1)根据影响车流量变化的因素,提取特征变量,构造模型的训练集。依据数据完整性分布,采用一种折衷的数据清洗方法,即丢弃低于90%观测率的车流量数据。(2)基于SVM模型对车流量进行预测,并针对SVR的超参调节问题提出一种改进的随机搜索算法,提高了超参调节效率,降低了模型使用的复杂度,同时也达到较高的预测水平。(3)使用随机森林模型对车流量进行预测,对于模型的调节,分别进行了默认超参和超参寻优实验,论证了随机森林在车流量预测中具有易用性,参数易调性,且预测准确度较高,运行耗时少。之后,基于随机森林对特征变量的重要性评估,提出一种动态选择特征变量的车流量预测方法,使得模型的效率和适应性得到提升。(4)探讨了DNN在车流量预测中的应用,利用车流量数据集,通过两种形式的layer-wise算法分别训练DNN,以及直接训练包含ReLU的DNN,并在其中得到了本文最好的预测结果。