城市化发展带来的汽车数量飞升引发了严重的交通拥堵等社会问题。高速路收费站的拥堵问题是一个急需解决的问题,因为在高峰时期或高峰路段时,聚集在收费站的车流量时常远超交通系统和收费站的承载能力。此问题可以根据交通流量制定应对方案来疏导交通,但这要建立在能准确预测未来的交通流量的基础上。但是交通流量模式因不同的随机因素而异,例如天气状况,节假日,一天中的时间等。预测未来交通流量是一个已知的难题。本文主要研究通过多模型融合来预测交通流量。本文首先对交通流量的时间和空间特性进行了分析,并介绍了几种经典的预测交通流量的方法。接下来,对将要使用到的时间序列模型也做了解释。接着阐述了集成学习和决策树,其中包括随机森林和梯度提升树(GBDT),并且对其原理、步骤都做出了说明,还提出了一些改进方法。最后是仿真预测,在介绍了评价标准和模型融合的概念并使用平均绝对误差(MAE)作为评价标准后,本文使用了三种模型进行预测。第一个模型是时间序列模型,不过时间序列模型的预测容易出现极值。第二、第三种分别是随机森林、GBDT。如果不使用模型融合,每个单独训练的模型的MAE都偏高,而且通过可视化也可以看出每个模型都有自己的不足。模型融合的第一步是先对随机森林和GBDT的结果取均值做为决策树的输出结果,第二步再将决策树的输出结果与时间序列模型的结果进行线性加权后得到最终的结果。在将最终结果计算MAE后并与之前的模型做比较,可知最终的结果的精度最高,从而验证了本文的方法的有效性。