随着道路交通的快速发展,城市道路交通拥堵的问题日益凸显。交叉口拥堵问题成为交通管理的痛点。交通信号优化是解决道路交叉口拥堵的有效途径之一。但是对于一些偏远路口和检测设备缺失的交叉口,信号优化由于缺乏准确的交通转向流量数据的支撑,交通信号控制无法达到最优的控制效果。但是随着路网中运行的浮动车数量的增加以及在车辆运行过程中轨迹数据的积累,使得通过轨迹数据预测交叉口转向流量变为可能。本文针对偏远及检测设备缺失的路口缺少交通转向流量数据的问题,在数据预处理方面,首先将数据与地图进行匹配。然后根据数据前后点位的变化筛选出不同流向的数据。然后设计了一种基于交通波理论的交叉口流量推算模型,利用浮动车数据通过该模型推算道路的实际车流量。由于流量数据具有很强的不稳定性,导致数据中存在大量的高频噪声数据,并且流量数据对于时间维度有一定的依赖性,于是提出了一种基于经验模态分解（Empirical Mode Decomposition,EMD）和门循环神经网络（Gated Recurrent Unit,GRU）的转向交通流短时组合预测模型。运用经验模态分解将推算得到的流量数据进行降噪处理,该方法能有效降低噪声数据对预测的精准度的影响,再将分解后得到的模态分量数据分不同流向输入到模型中进行预测,预测过程中将历史转向流量数据作为输入特征对结果进行预测。采用北京市中关村地区出租车行驶10天的轨迹数据,将数据分为早高峰、平峰和晚高峰三个时间段分别进行算法验证,并与应用较为广泛的LSTM模型和KALMAN滤波算法进行对比分析。本文提出的算法具有较高的预测精度和较快的预测速度,模型能够应用于交叉口的短时交通流转向预测,可以为偏远或检测设备缺失的交叉口提供准确的转向流量数据。此外预测的数据能够和具有检测设备的交叉口的流量数据形成互补,得到更加全面的路网流量数据,为后续的交叉口信号优化提供了良好的数据支撑。