近年来,随着智慧城市建设的加快,大量的传感器设备被安装在城市路网中来采集实时的交通流特征数据。通过对海量的历史交通流数据进行处理和分析,可以较准确地预测城市路网中交通流量的变化情况。根据预测的道路交通状态可以为交通管理者在制定策略时提供决策支持,进而改善交通安全、缓解道路拥堵,为公众提供更好的出行体验。短时交通流量预测是实现道路交通控制和诱导的基础,对道路通行能力的提高具有非常重要的实际意义。针对大多数现有的工作仅基于历史交通流数据进行预测,而未考虑天气、节假日、兴趣点等可能影响交通流的因素。本文提出一种融合多源异构数据的混合交通流预测模型。首先,分析影响道路交通流量的可能因素;其次对原始异构数据进行准备及预处理,并按照一定比例划分数据集;最后构建基于集成结构和转移矩阵相结合的短时交通流预测模型。根据交通流数据的时空特性,通过利用驾驶距离来对交通数据的空间相关性进行建模。通过使用集成结构来捕获交通流的周期性,不确定性和时变性,并产生相应的转移矩阵进而预测交通流量。另外,还分析了天气、节假日、兴趣点等因素对模型预测结果的影响。实验在厦门的真实交通数据集上进行验证,结果表明:(1)天气、温度、节假日等因素对交通流预测的影响较小。(2)兴趣点对30分钟流量预测会提高模型的性能,但是对于15分钟和60分钟几乎没有影响。(3)通过比较不同模型的预测误差,本文提出的模型在流量预测上更加的有效和健壮,转移矩阵的引入使得模型的预测误差最大可减少60%。