短时交通流预测是智能交通管理的重要依据。为了提高短时交通流预测的精度，从交通流内在的稳态特征和动态特征着手，提出一种基于巴特沃兹滤波(Butterworth　filter,　BF),结合支持向量回归(support　vector　regression,　SVR)算法和门控循环单元(gated　recurrent　unit,　GRU)模型的预测方法，即BF-SVR-GRU模型。该方法先对交通流标准化处理，以加快后续模型计算的速度。通过设置适当阈值，利用巴特沃兹滤波将交通流信息分解为稳态分量和动态分量：稳态分量反映交通流总体变化趋势，动态分量反映突发因素(如交通事故、天气影响等)对交通流的影响。利用门控循环单元对稳态分量进行训练与预测，克服门控循环单元在预测变化剧烈的序列精度较低的问题；支持向量回归对非线性序列预测存在适应性较好、低泛化误差等优点，利用支持向量回归对动态序列进行训练与预测。最后，将稳态分量与动态分量的预测结果整合得到最终预测结果。采用某市不同的两个路口的数据集进行相关实验，结果表明，BF-SVR-GRU预测方法具有较好的预测精度，可为智能交通规划与管理提供有效的建议。