高速路口收费站的交通流问题一直是交通网络中众所周知的瓶颈,在交通系统中属于短时车流量的预测问题。短时车流量受很多外部因素变化的影响,传统的预测方法对庞大的数据流已不适用,而基于机器学习的预测算法能充分利用已知的信息,从历史的数据中查找规律,更加精确的预测出未来短时的车流量情况。论文分别基于支持向量机(SVM)算法、随机森林(RF)算法和梯度提升回归树(GBRT)算法进行建模,研究各模型预测效果,主要工作内容和研究成果如下:(1)对实验中的车流量数据集统计和分析,处理数据集中的异常值和缺失值。探索影响车流量变化的因素,提出了基于线路、天气、时间的特征设计方法,构造训练集。(2)建立支持向量机回归模型预测短时车流量,并针对支持向量模型在回归预测过程中未考虑输入变量与预测目标的相关性,提出了一种基于线性回归算法的优化算法,减小了模型的计算复杂度,提升了模型的效率和准确率。(3)建立随机森林回归模型预测短时车流量,并与优化后的支持向量回归模型预测效果比较,结果表明在短时车流量的预测问题中,支持向量模型适合处理小规模的数据集,随机森林模型更适合处理大规模的数据集。(4)建立梯度提升回归树模型预测短时车流量;并将结果与RF模型进行对比,表明了在短时车流量的预测问题中基于Boosting的集成学习方法是一种有效、可行的方法;并且,基于梯度提升树对特征重要性的评估,提出一种基于GBT模型动态选择特征的预测方法,并通过梯度提升树模型动态的选择特征后进行车流量预测实验,实验结果表明,相比于RF模型,精简特征后的GBRT模型预测更准确,且得到的预测效果是这几个模型中最好的。