随着我国经济的快速发展,民用汽车保有量也在快速增长,伴随而来的是交通拥堵现象,尤其是在大城市,一些交通要道拥堵现象则更为明显。交通拥堵现象的频繁发生,使得智能交通系统的建设越发重要,智能交通系统的高效应用能够缓解目前存在的道路交通问题,对城市建设和发展有着重要意义。交通流量是智能交通系统中重要环节,准确地对短期交通流量进行预测有利于智能交通决策,缓解车流量高峰期时易拥堵路段的堵塞现象。根据短时交通流量数据呈现出的非线性、周期性、高波动性、长记忆性等特征,考虑到不同预测方法的优缺点,本文采用SARIMA-CNN-LSTM组合模型对车流量序列进行预测分析。结合SARIMA模型对于具备周期性的数据拟合效果较好,LSTM模型适合处理具备长记忆性特征的数据并且有着强大的非线性映射能力的优点,本文首先分别采用三种模型组合方法对SARIMA模型和LSTM网络进行组合,并基于车流量序列进行了预测效果的对比,对比结果显示基于MA滤波组合方法的SARIMALSTM组合模型三的预测精度最高。随后,为了提高组和模型三的预测精度,本文利用CNN进一步提取MA滤波分解后的非线性成分的数据特征,在此基础上采用LSTM网络进行预测,将SARIMA模型的预测结果和CNN-LSTM的预测结果进行组合,得到最终预测。为了说明SARIMA-CNN-LSTM模型的有效性,本文还进行了对比分析,结果显示SARIMA-CNN-LSTM模型的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）最低。这表明本文所提出的组和模型解决了单模型考虑因素单一以及不能充分提取数据特征的问题,能够更好地捕捉到车流量序列的多种特征,预测精度更高,适合用于短时交通流量的预测中。