随着我国城市化进程不断加快，城镇人口以及机动车保有量也在不断增加，由此也造成了城市拥堵等一系列交通问题。近年来，信息技术在各个领域广泛应用，带来了巨大的便利，而交通领域信息化智能化进程较缓慢，建设智能城市交通网络迫在眉睫。目前我国绝大部分大型城市已经布设了较为完善的城市道路交通信息采集系统，急需建立科学有效的交通控制与交通诱导。而交通控制与交通诱导必须先实现精度较高且预测效率较高的短时交通流预测。
　　本文通过对目前短时交通流研究现状的分析，发现普遍存在数据处理全过程不够完整、数据修复方法不够理想、预测精度不够等问题。因此本文根据交通流的特性分析，研究了交通流基本参数以及城市道路短时交通流特征及可能的影响因素，然后利用统计学相关性分析理论对城市道路短时交通流的时间相关性与空间相关性分别进行了分析研究。然后提出了一整套数据处理流程及方法，对数据进行预处理，在预处理中介绍了交通流数据的不同采集方式，再将原始数据中的错误数据剔除并标记出缺失数据最后对数据进行修复。修复好后的数据按五分钟的时间粒度整合成预测模型所需的格式，并利用小波降噪的方法进行降噪处理，方便在后续的实例验证中使用。在模型的构建部分，基于支持向量回归原理构建了基于支持向量回归(SVR，Support Vector Regression)的短时交通流预测模型，还确定了模型主要影响参数;又介绍了鲸鱼优化的原理，利用鲸鱼优化(WOA，Whale Optimization Algorithm)算法对支持向量回归(SVR)模型的主要影响参数进行优化，从而建立基于WOA-SVR的预测模型;并利用EMD(Empirical Mode Decomposition)分解方法将交通流数据分解为不同的IMF(Intric Mode Function)分量与残余分量的和，并分别应用WOA-SVR模型进行预测，再重构各分量的预测波形，建立基于EMD分解融合鲸鱼优化(WOA)及支持向量回归(SVR)模型的短时交通流预测模型。
　　最后本文进行了实例验证，利用实际数据对比不同模型实验结果，结果表明，本文提出基于EMD分解融合鲸鱼优化(WOA)及支持向量回归(SVR)模型的短时交通流预测模型具有良好的性能，相比之前的SVR模型以及WOA-SVR模型精度有显著提高。