随着我国经济的快速发展与综合国力的不断提升，城市汽车保有量持续增长，交通需求远远大于交通供给，导致了严重的城市交通拥堵、交通环境污染和交通安全等问题。发展建设智能交通系统(ITS)，挖掘现有交通基础设施的潜力，是缓解城市交通问题的有效措施。短时交通量预测是智能交通系统的关键技术方法之一，基于科学、精准、可靠的短时交通量预测所建立的智能交通系统，可以提高交叉口的通行效率，为出行者规划最佳的出行路线，诱导民众选用合理的交通方式出行。因此，探究短时交通量预测精度与可靠性的影响因素，构建性能优异的短时交通量预测模型，对支撑智能交通系统的建设发展，改善城市交通管理水平，缓解城市交通拥堵具有重要的意义。
　　本文首先阐述了短时交通量相关基础理论，分析了短时交通量特性，剖析了几种短时交通量预测方法的利弊；接着，分析介绍了短时交通量原始数据预处理的方法、不同数据分解处理方法的优缺点、时变滤波经验模态数据分解(TVF-EMD)方法的优势；其次，基于TVF-EMD与最小二乘支持向量机(LSSVM)智能预测模型，构建了TVF-EMD-LSSVM混合预测模型，并给出该模型的求解方法；然后，建立了广义自回归条件异方差(GARCH)模型，选取平均绝对误差、平均相对百分比误差、均方根误差、均方根相对误差、均等系数平均置信区间宽度和无效覆盖率7个指标评价预测精度与可靠性；最后，利用重庆市主城区某主干道路两个进口道A、B的交通量数据，进行案例应用分析，将本文建立的短时交通量混合预测模型TVF-EMD-LSSVM的预测结果与经验模态分解-最小二乘支持向量机混合预测模型(EMD-LSSVM)、LSSVM和自回归综合移动平均(ARIMA)模型的预测结果进行比较。结果表明，本文构建的短时交通量混合预测模型TVF-EMD-LSSVM的预测精度更高，可靠性更好。
　　本文以城市主干道进口道的短时交通量为研究对象，利用TVF-EMD数据分解处理方法与LSSVM预测模型的优势，研究构建出基于数据分解的混合预测模型TVF-EMD-LSSVM，在一定程度上，提高了短时交通量的预测精度，改善了短时交通量的预测可靠性，完善了短时交通量的预测模型理论方法。