随着经济的发展和社会进步,我国汽车数量呈指数型增长,交通拥堵问题越来越严重,这给我国的经济发展造成不必要的损失。为了合理的缓解交通拥堵,在城市建设方面,智能交通系统越来越广泛应用,而短时交通流预测作为智能交通系统的一个重要组成部分,它的发展对于提高交通系统效率具有重要的意义。短时交通流预测的实时性和准确性决定了交通流的控制精度和诱导效果,其研究成为交通领域研究的重要内容之一。经过近十几年的发展,短时交通流预测已经形成多种预测方法,其中有一些方法已经比较完善,并实际应用于实际交通系统中。因为交通流易受到天气、历史交通流和人为因素等影响,所以交通流具有随机性和非线性的特点,从而使用单一预测方法预测交通流并不能满足现代智能交通系统的需求。根据现有交通流预测方法的优缺点,本文提出一种基于集合经验模态分解(EEMD)的多分量组合模型对短时交通流进行预测。首先使用EEMD分解方法对原始交通流时间序列进行分解;然后根据分解后的分量序列的波形特点将其分为高频、中频、低频分量;再分别使用小波神经网络、最小二乘支持向量机、差分整合移动平均自回归对高频、中频和低频分量进行预测,其中包括使用遗传粒子群算法和粒子群算法对小波神经网络以及最小二乘支持向量机的参数进行最优选取,以提高小波神经网络模型和最小二乘支持向量机模型的预测精度;最后使用最小二乘支持向量机模型对各分量的预测值进行叠加得到最终的交通流预测值。采集New York Huguenot Ave和New York Stafford Huguenot Ave两路段的交通流数据作为数据样本。建立好上述的预测模型后,将在两地采集的数据样本输入到已建立模型进行交通流预测。最后将预测结果使用均方根误差和平均百分比误差两种评价方法与各单一模型(最小二乘支持向量机,差分整合移动平均自回归,小波神经网络)进行比较,对比发现,本文提出的预测模型相比于各单一模型的预测精度更高。