本发明公开了基于SARIMA‑GA‑Elman组合模型的短时交通流量预测系统，属于智能交通系统车流量预测技术领域。本发明通过SARIMA模型的建模、Elman‑RNN预测、SARIMA‑GA‑Elman组合预测、线性预测和非线性预测这五个步骤来实现。本发明训练神经网络往往要耗费大量时间成本，本发明提出了一种新颖的优化方法来解决这个问题。首先，基于GA训练Elman‑RNN的权值和阈值得到最优解的区间临近值，然后使用Elman‑RNN的梯度下降算法继续训练得到最终的权值和阈值。这种优化方式和迁移学习非常相似，可以提高模型的训练效率。本发明利用经过SARIMA预测后的预测误差构建Elman‑RNN非线性模型。预测误差排除了线性因素和日周期因素的干扰，包含交通流的非线性特征。两个模型充分考虑了交通流的周期性，线性和非线性特征。