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。