随着中国城市化进程的加快,城市汽车保有量不断增加,城市交通需求呈现增长态势,引发出交通拥堵、交通事故等一系列关乎民生福祉的问题,严重阻碍了城市的高质量发展。在当前的城市智能交通系统中,快速准确的交通流预测是城市交通控制的必要前提,在智能交通系统中发挥着重要作用。基于以上背景,本文对道路数据特征展开研究,提出了不同交通原始数据情况下的两种短时交通流预测方法,设计并实现了一个短时交通流预测系统,主要工作如下:（1）提出了基于改进贝叶斯的短时交通流组合预测模型。针对单个模型精度差、适用场景范围小的不足,将差分滑动平均自回归预测模型、灰色预测模型和长短时记忆网络预测模型进行组合,同时把贝叶斯算法引入组合权重评估中,提出了最近迭代权重的贝叶斯计算方法,利用子模型最近预测误差来动态分配组合权重,在提高组合模型灵敏度的同时加快了模型的迭代速度。采用Pe MS交通数据集测试了本文模型,实验结果表明,该组合预测模型在均方根误差等指标优于对比模型,具有更高的预测精度。（2）提出了基于道路时空特征的短时交通流预测模型。针对传统算法难以捕获交通流时间和空间关系的不足,将目标道路原始交通流数据信号分解为趋势数据、残差数据和固定周期数据,使用门控循环单元对趋势数据部分进行时间维度的特征挖掘和预测,同时使用卷积神经网络分析周围道路交通流与目标道路残差数据间的关系,对残差数据部分进行空间维度上的特征挖掘和预测。最后,将趋势数据、残差数据和周期数据进行汇总完成最终的预测。采用Pe MS交通数据集测试了本文模型,实验结果表明,本文提出的交通流预测模型能够对目标道路的空间维度和时间维度进行有效的特征挖掘,与对比模型相比具有更高的预测精度。（3）设计并实现了一套城市道路短时交通流预测系统。该系统可提供多用户同时在线进行模型训练与预测的功能,设计了交通流预测系统的整体架构与系统子模块,并对预测系统主要功能模块的实现过程进行了详细阐述。