快速准确的短期交通流量预测是交通分析与控制的重要前提。 由于短期交通流量具有非线性特征并且随机变化，因此传统的机器学习算法很难进行并行计算。 本文提出了一种结合小波分解和重构与极限梯度提升（XGBoost）算法的交通流量预测模型，以预测短期交通流量。 首先，在训练部分，利用小波降噪算法获得目标交通流的高频和低频信息。 其次，通过阈值方法处理交通流量的高频信息。 之后，将高频信息和低频信息重构为训练标签。 最后，将经过消噪的目标流量发送到XGBoost算法，以进行训练以预测流量。 这样，保留了每个采样周期内业务量的趋势，并减少了短期高频噪声的影响。 在北京收集的交通流量检测器数据的基础上，对所提出的交通流量预测方法进行了测试，并将其与支持向量机（SVM）算法进行了比较。 结果表明，所提算法的预测精度远高于支持向量机，在交通流预测领域具有重要意义。
