对短时间内的交通流进行实时精准的预测,是智能交通系统的核心组成部分,更是顺利完成智慧交通城市建设的重要技术基础。交通流的时空相关性、随机性性及突变性在短时间内十分突出,路网中某个路段一旦发生异常交通情况,对上下游路段的交通都会造成影响。传统的短时交通流预测方法因对交通流影响因素考虑过少或所使用的算法自身具有局限性等无法在交通流波动较大时进行准确的预测,没有办法充分满足日益增长的实时交通预测需求。本文在对已有短时交通流预测模型进行研究的基础上,利用机器学习的热门策略Stacking,构建基于Stacking模型融合的短时交通流预测模型,实现对短时交通流更加精准、稳定的预测。论文主要内容如下:（1）对断面交通数据的常用采集方法进行了总结归纳,详细阐述了断面交通数据的处理流程及相关方法,引入孤立森林算法来对异常的交通检测器数据进行识别。对采集到的SCATS断面交通数据进行质量分析,指出原始数据处理的必要性,并进行了对应的实例分析。（2）结合所采集的云南省玉溪市的城市交通资料,采集时间从2020年4月6日至2020年6月28日,对城市道路交通流量的主要特性和时空相关性进行了分析。从时空相关性、时间、天气以及道路信息四个方面来构造预测模型的输入特征,并利用最大信息系数法（MIC）对输入特征的相关性进行了分析和选择。（3）在以往研究的基础上,选择预测性能较好的SVM、随机森林、BP神经网络、XGBoost、GBDT及Light GBM分别建立了单一预测模型,并进行了结果对比分析。在对单一模型预测结果进行对比分析后,基于“好而不同”的选择原则,选择其中合适的模型作为初级学习器,次级学习器均采用LASSO回归,构建出三种不同的两层结构Stacking预测模型对短时交通流进行预测,并对实验结果进行对比分析。实验结果表明,本文所提出的三种Stacking模型预测性能都很好,在各项结果评价指标上都优于传统单一模型。其中,以BP神经网络、随机森林、XGBoost及Light GBM作为初级学习器,以LASSO回归作为次级学习器所构建出的两层结构Stacking预测模型表现最为优异,可以为智能交通系统发展提供稳定可靠的技术支持。