为更好的缓解和治理交通拥堵问题,智能交通系统（ITS）已越来越被广泛的使用,而短时交通流预测则是继续发展和完善智能交通系统必不可少的一部分。准确的交通流预测可以帮助道路管理人员更好的控制和协调车流,也可以为驾驶人员提供更为畅通的道路,方便旅行和节省时间,从而有效的避免交通堵塞。本文在基于研究背景及现实意义,结合国内外学者在短时交通流预测的研究成果,针对目前研究尚待完善的问题,提出了基于小波降噪和相空间重构的组合预测模型（WD-PSR-GA-BP）。该模型先使用小波降噪技术对原始交通流数据进行分解、降噪、重构处理;将重构后的数据再放入相空间重构算法中,计算得到嵌入维数和时间延迟（?）,借助这两个参数,重构降噪后的交通流数据,将一维的交通流数据映射到高维;最后采取BP神经网络作为预测模型,但由于BP神经网络的权值和阈值使用的是梯度下降法,容易陷入局部极小值,从而采用了遗传算法,对其权值和阈值进行了优化。在前期的理论探讨中,对每个算法的各个参数进行了讨论与仿真,最终解释并确定了参数的选择。在实验部分,为保证所提算法的准确性、鲁棒性以及实时性,加入了四个衡量指标,分别是:MAPE、RMSE、MAE和时间（Time）。为保证所提模型具备有效性,所选数据来源为美国加州PeMS系统。在预测模型选择单步预测还是多步预测的问题上,本文专门进行了独立实验对比,根据以上四个指标的结果表明,在本次试验中,单步预测的结果要好于多步预测。为对比所提组合模型的优越性,在实验中,选择了单一预测模型径向基函数神经网络（RBF）和随机森林（RF）;组合模型中选择了GA-BP、PSR-GA-BP和EEMD-GA-BP。每个模型的实验都独立运行了20次,并记录了每个指标的平均结果。经过分析实验结果,可以得到以下结论:（1）组合模型要比单一预测模型在准确性和鲁棒性上更具备优越性;（2）WD-PSR-GA-BP模型在指标MAPE、RMSE和MAE中,相较于其他对比模型,表现最为优异;（3）时效性方面,单一预测模型所用时间最短,组合预测中,EEMD-GA-BP模型所用时间最长。