交通流量预测作为智能交通的重要一环，所要处理的交通数据具有非线性、周期性和随机性的特点，导致在数据预测时，不稳定的交通流量数据依赖于长期数据范围，且由于一些外部因素使得原始数常包含一些噪声，可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先，通过经验模态分解（EMD）算法将交通时序数据中的不同尺度分量逐级分解出来，生成一系列具有相同特征尺度的本征模函数，从而去除一定的噪声影响；然后，借助长短期记忆（LSTM）神经网络解决数据的长期依赖问题，从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明，EMD-LSTM的平均绝对误差（MAE）比LSTM低了1.916 32，平均绝对百分误差（MAPE）比LSTM降低了4.645 45个百分点，可见所提出的混合模型使预测准确性得到显著提高，能够有效解决交通数据的问题。

针对轻量化梯度促进机（LightGBM）等集成学习模型只对数据信息进行一次挖掘，无法自动地细化数据挖掘粒度或通过深入挖掘得到更多的数据中潜在内部关联信息的问题，提出了深度LightGBM集成学习模型，该模型由滑动窗口和加深两部分组成。首先，通过滑动窗口使得集成学习模型能够自动地细化数据挖掘粒度，从而更加深入地挖掘数据中潜在的内部关联信息，同时赋予模型一定的表示学习能力。然后，基于滑动窗口，用加深步骤进一步地提升模型的表示学习能力。最后，结合特征工程对数据集进行处理。在谷歌商店数据集上进行的实验结果表明，所提深度集成学习模型相较原始集成学习模型的预测精度高出6.16个百分点。所提方法能够自动地细化数据挖掘粒度，从而获取更多数据集中的潜在信息，并且深度LightGBM集成学习模型与传统深度神经网络相比是非神经网络的深度模型，参数更少，可解释性更强。