随着经济发展和车辆的普及,在方便人们出行的同时,也带来了诸如道路拥堵,道路压力过大等交通问题。为此我们提出了智能交通系统,通过科学的方法管理交通系统,准确的预测交通流量,及时做出正确的交通诱导,可有效的缓解道路压力,方便人们出行。因此,短时交通流的准确预测,是科学管理交通的重中之重。多年来,人们一直想方设法解决短时交通流预测问题,提出了各种方案,在管理交通方面有了丰富的实践。在科技进步与经济发展的双重需求之下,准确的预测交通流量,对人们提出了新挑战。本文针对交通流序列具有典型的时间序列特征,设计了两种不同的循环神经网络(Recurrent Neural Networks,RNN):长短期记忆(Long Short Term Memory,LSTM)网络和门控制循环单元(Gated Recurrent Unit,GRU)网络,通过LSTM和GRU算法能够增加时间序列的记忆功能,可以很好的传递交通流历史数据的特征延续性,对交通流历史数据进行特征提取,以5分钟为时间间隔预测未来24小时的交通流量。通过实验训练,得到最优的循环神经网络结构,来解决短时交通流预测问题。与单隐层结构相比,双隐层的LSTM和GRU误差减小,拟合度增高。当数据波动性较大时,双隐层的LSTM和GRU算法对于峰值的预测准确性不是很高,而且易出现过拟合现象。针对这一问题,本文采用熵权集成神经网络方法,计算每种算法的信息熵,根据整个系统的信息量的多少对LSTM和GRU算法通过熵权分配进行集成,得到一个新的熵权分配算法。实验表明,基于熵权法的短时交通流预测算法,预测效果比单独的LSTM或GRU算法准确度高、误差小;预测值更贴近波峰值,对于波动的起伏预测效果更好些。