为了缓解随经济社会快速发展带来的交通压力,智能交通系统应运而生。智能交通系统能够有效地实施交通管理,提升道路的通行能力和服务水平。而准确的交通流量预测是智能交通系统的基础。因此,本文以预测高速公路短时交通流量为主要研究目的,通过对多个预测模型的预测结果进行分析对比,将精准度最高的预测模型用于高速公路短时交通流量的预测。主要内容如下:进行数据挖掘、处理和特征选择。首先对高速公路门架收费数据进行深入分析,对门架收费数据中存在的问题进行分析,识别出了数据冗余、数据缺失和数据异常等情况,并选用相应的方法进行处理。之后挖掘高速公路交通流的一般特性和时空特性。最后根据基础特征构造一些新特征,并采用随机森林评估特征的权值系数,从而选择有利于模型训练的特征。建立高速公路短时交通流量预测模型。首先,建立三个基本模型:属于梯度提升机算法的Light GMB模型、属于深度学习的GRU模型和属于决策树算法的随机森林模型,并使用10折交叉验证法和网格搜索法进行参数优化,确定最优参数。然后,提出了基于集成学习Stacking方法构建的SLGR（StackingLight GBM-GRU-RF）组合模型,把三个基本模型作为SLGR模型的第一层预测模型先进行高速公路交通流量预测,之后将三份训练结果和预测结果分别进行整合作为第二层Lasso预测模型的训练集和测试集,第二层的预测结果即为SLGR模型的预测结果。通过实例验证模型性能。以2020年7月邯郸收费站-邯郸南收费站门架收费数据为例,随机选择一天和七天进行以15分钟为时间粒度的短时交通流量预测。使用决定系数、平均绝对误差等评价指标,对SLGR模型与Light GBM模型、GRU模型、RF模型的拟合效果进行对比分析。同时通过在基学习器中加入LSTM模型和对不同基学习器的多样组合进行预测模型的性能分析,证明了本文提出的SLGR模型拟合效果最好,预测精度最高。