随着我国经济的不断发展、社会的快速进步和人民生活水平的提高,私家车拥有量也在逐年上升。如今尽管各种交通方式使我们感受到快捷和便利,但是它也带给我们一系列的难题,如交通拥堵、环境污染、交通事故等。为了解决这些问题,智能交通系统逐渐发展起来,短时交通流预测成为智能交通系统的重要研究课题。提起交通流量就离不开道路占有率,道路占有率的高低反映了交通流量的大小。运用一些有效的模型对各种交通流进行预测在某种程度上可能会缓解交通压力、减少环境污染、方便市民的出行。因此交通流预测的研究对于社会的各个方面都具有重要的意义。在某些交通流的预测中,由于支持向量机对这种情况具有较强的预测能力,因此通常在交通数据量较少的情况下采用支持向量机(SVM)。然而,随着交通数据量的增加,预测性能将下降,因此仅使用SVM来预测交通流量将不可避免地对大量交通数据造成较大的误差。为了克服支持向量机模型的缺点,我们采用BP神经网络(BPNN)进行短时交通流预测,但是BP神经网络也存在其自身的不足。例如,尽管BP神经网络可以在大量数据上训练模型,但是它很容易陷入模型训练速度较慢的局部最优状态。本文提出了一种基于SVM和BP神经网络的混合模型,该模型减少了两个单一模型各自在短时交通流预测中的缺陷并组合了二者的优势。我们将改进的粒子群优化(PSO)算法用于混合模型中来优化权重。仿真结果表明,与SVM和BP神经网络相比,该混合模型改善了多个性能指标。