近年来,我国道路机动车保有量不断创造新的记录。人们不断增长的交通出行需求与有限的道路基础设施能力之间的矛盾不断加大,这些矛盾最终导致道路的拥堵问题日益严重。为了缓解交通的拥堵问题,增加城市交通的道路利用率,交通管理者与交通出行人对道路通行状况的预测需求逐渐变大。准确的交通流预测结果能在一定程度上改善整个交通系统的运作状况。因此,作为智能交通系统中的核心技术之一,短时交通流预测的研究具有十分重要的研究价值与应用价值。基于此,本文在前人研究的基础上,结合深度学习的思想,提出了基于自回归积分移动平均模型(ARIMA)和长短期记忆网络(LSTM)的组合模型预测方法。该方法能有效的结合ARIMA模型与LSTM网络各自的优点,从而提高组合模型的预测效果。在此基础上,为了增加ARIMA模型对近邻样本的拟合能力,本文研究了基于滚动的ARIMA模型,该模型能对观测到的新样本进行重新拟合,从而增加了模型的短时预测能力。并且,针对训练样本信息量较少的问题,本文提出了一种基于信息回溯的数据处理方法,该方法能通过加大预测区间与增加影响权重的方式,合理的增大单个样本的信息量,以提高LSTM网络的训练效率和预测效果。同时,针对深度学习时模型训练时间长、性能耗费大等问题,本文在训练LSTM网络时,采取了一系列优化措施,进一步提高了 LSTM网络的训练效率与预测效果。最后,本文基于交通流特性,考虑到近邻历史样本对未来预测的巨大影响,结合在线学习的思想,提出了一种基于方差和-滑动窗口的模型组合方法。该方法能在预测时,根据新观测到的数据样本与各个模型的预测结果,重新计算模型的方差和,并以此动态合理的分配模型的权重。在此基础上,本文结合了数据驱动的思想,进一步提出了一种改进的模型组合方法,该方法能够通过模型的历史预测结果与观测数据,拟合出模型间的线性关系模型,并以此动态地分配模型的权重值。为了证明本文所提出的组合模型的高效性和有效性,本文进行了详细的对比实验。经过实验证明,本文所提出的方法具有更好的预测效果,各项指标均优于单一模型,且具备良好的可靠性和稳定性。