智能城市的建设是当今社会城市建设发展的主流,智能交通系统建设与完善是构建智能城市的重要板块。交通犹如城市的血液,交通控制与管理的智能化、系统化,能够有效缓解城市道路交通拥堵难题,并切实提高城市道路的交通利用率。交通流预测是智能交通系统中信息处理、机动控制、智能管理的关键要素之一,交通流量精准实时预测,不仅能够帮助有效掌控道路的交通流状况,提升道路适行能力,解决交通拥堵道路困扰,而且能够减少环境污染,提高交通服务水平,增强市民的出行体验感。因此,短时交通流的实时预测研究对智能交通系统建设和完善以及智慧城市的构建具有重要意义。本文以美国加利福尼亚州戴维斯附近的I80走廊的传感器数据为研究对象,对采集的交通流量数据进行数据清洗、特性分析,考察分析交通数据的高斯混合分布特性以及交通流可看作混沌时间序列的必然性。通过考察交通流数据的高斯混合分布特性,使用GJRGARCH模型进行预测,得到基于时间序列模型的初步预测,对预测数据添加服从高斯混合分布特征的噪声对预测进行修正优化。另一方面,获取相空间重构的基本参数:延迟时间和嵌入维数,采用相空间重构数据用集成支持向量回归模型进行进一步预测。最后,通过一种简易的融合方法融合时间序列模型预测结果和基于相空间重构的集成支持向量回归模型的预测结果,结合时间序列对高峰时期的优势预测以及机器学习模型下的动态预测,得到更优预测。我们将融合模型的预测结果与时间序列模型以及SVR模型预测结果进行对比分析。经过验证,相比于未经过优化和未经过集成的模型,该融合模型具有更优的预测性能,能够对短时交通流进行更有效预测。