随着城市人口不断增加,机动车数量增长过快,道路建设在结构功能各方面上无法满足交通需求等一系列原因,造成交通拥堵问题在我国愈演愈烈,所以缓解城市交通拥堵也成为了我国亟待解决的问题。实时而准确的预测交通流是发展智能交通管理系统的必要条件,它能够为交通系统提供实时有效的信息,使系统可以实现路径诱导,缓解道路拥堵,减少机动车对有害气体的排放等。因此,对短时交通流预测技术的研究具有深远的理论与现实意义。一些浅层的交通流预测模型未能充分学习交通流数据的本质特征,并由于交通运输系统的特征表现为数据量大,特征维度高,一些交通流预测模型的预测效果有待提高。为了实现实时、准确的短时交通流预测,并针对短时交通流数据所表现的的非线性时间与空间的相关性,在传统的深度信念网络基础上,本文通过添加高斯噪声,考虑不同节点的预测任务贡献,通过对新的CRBM堆叠,并在顶层连接回归器,以FR-CG算法进行全局微调构成CDSHybrid组合模型来预测短时交通流。通过对北京2014年12月二环、三环路出租车浮动交通流数据进行筛选、异常数据修补、去噪声等步骤,提取出平均速度、交通量两个重要的交通流参数,利用本文设计的短时交通流预测模型分别对交通量和平均速度进行预测。本文提出了基于信息熵加权的模糊层次交通拥堵识别模型,在交通流预测的基础之上实现交通拥堵预测。最后,实验验证,本文提出的交通流预测模型对交通量和平均速度在预测精度上优于常用的一些交通流预测模型。对本文提出的交通拥堵预测模型进行验证,该模型在准确性和实时性上都具有优势。