La predicción del flujo de tráfico a corto plazo juega un papel crucial en los sistemas de transporte al describir la evolución temporal del flujo de tráfico en períodos cortos, como segundos, minutos u horas. Ayuda a las personas a tomar decisiones informadas sobre sus rutas para evitar áreas congestionadas y permite a los departamentos de gestión del tráfico ajustar rápidamente las capacidades de las carreteras e implementar estrategias efectivas de gestión del tráfico. En los últimos años, se han realizado numerosos estudios en esta área. Sin embargo, existe una brecha significativa en la investigación sobre la incertidumbre del flujo de tráfico a corto plazo, lo que afecta negativamente la precisión y robustez de los modelos de predicción del flujo de tráfico. En este documento, proponemos un novedoso modelo de nube de entropía integral que incluye dos algoritmos: el Modelo de Inferencia de Nube Fusionada basado en la Teoría de la Evidencia DS (FCMI-DS) y el Modelo de Inferencia y Predicción de Nube basado en el Mecanismo de Compensación (CMICM). Estos algoritmos están diseñados para abordar el problema de la predicción del flujo de tráfico a corto plazo. Al utilizar el modelo de nube de datos históricos de flujo para guiar las predicciones futuras a corto plazo, nuestro enfoque mejora la precisión y estabilidad de la predicción. Además, proporcionamos pruebas matemáticas relevantes para respaldar nuestra metodología.