随着我国中国梦的提出以及脱贫攻坚工作的开展，我国的人民生活水平、社会发展程度以及综合国力都得到了进一步的提高和增强，机动车的数量也随之增加。但是由于道路建设水平、停车基础设施以及交通控制管理等方面的发展跟不上机动车保有量的增加，产生了极大的矛盾，引起了很多交通问题。目前解决交通问题最现实和有效的方法是利用现代智能互联网技术和智能交通系统加强交通控制和诱导，而其关键在于对交通流的状态进行精准的把握，而短时交通流预测正是我们研究交通流状态最有效的途径。基于这种重要性，本文主要对短时交通流的预测进行研究。
　　首先，论文首次将自回归分数整合移动平均(ARFIMA)模型应用于短时交通流预测当中。ARFIMA模型对现有时间序列模型的进一步的改进，其主要探究了相距较远的序列值之间存在的影响关系，即序列的长期记忆性。研究结果表明该模型可以适用于短时交通流预测。其次，本文通过非线性自回归(NAR)动态神经网络对短时交通流进行预测，并将预测结果作为对比项。之后针对交通流时间序列当中存在的线性成分和非线性成分，采用将ARFIMA模型与NAR神经网络模型进行结合组成混合模型的方式来对交通流进行研究。最后分析和比较三种模型的预测结果，结果证实混合模型的各项指标和结果都是最优的。
　　短时交通流预测可以帮助出行者提前做好路径规划，避免拥堵，提升出行体验，进而缓解由交通拥堵而引起的各种社会问题，使我们在交通系统中占据主导地位，对于最大化的发挥路网性能、解决城市交通问题具有重要意义。