一种基于三阶段模型的短时交通流预测方法属于智能交通系统领域，本发明提出了VMD‑GCN‑GRU模型，实现对交通数据的短时预测。与现有的短时交通流预测方法相比，通过对路网交通数据进行变分模态分解(Var　i　at　i　ona　lMode　Decompos　it　i　on，VMD),　可以削弱大部分噪声，有效降低原始信号的非平稳性，分解得到多组本征模态函数(I　ntr　i　ns　i　c　Mode　Funct　i　on，I　MF)和残差，把分解后的具有相似中心频率的I　MF和残差依次输入GCN与GRU模型中进行预测，将得到的预测结果进行重构，从而得到最终的预测结果。实验表明，基于VMD‑GCN‑GRU模型的预测精度相比于其它深度学习预测方法有了较大的提升。