Dado que la congestión del tráfico durante las horas pico se ha convertido en la norma en la vida diaria, la investigación sobre la predicción del flujo de tráfico a corto plazo ha atraído una amplia atención que puede aliviar la congestión del tráfico urbano. Sin embargo, la investigación existente ignora la incertidumbre de la predicción del flujo de tráfico a corto plazo, lo cual afectará la precisión y robustez de los modelos de predicción del flujo de tráfico. Por lo tanto, este documento propone un algoritmo de predicción del flujo de tráfico a corto plazo que combina el modelo de nube y el sistema de inferencia difusa en un entorno incierto, que utiliza la idea del modelo de nube para procesar los datos de flujo de tráfico y describir su aleatoriedad y difuminación al mismo tiempo. Primero, se selecciona el algoritmo de c-means difuso para llevar a cabo un análisis de grupos en los datos originales de flujo de tráfico, y se obtienen el número y los valores de parámetros de la función de membresía inicial del sistema. Basado en el algoritmo de razonamiento de nube y el generador de reglas de nube, se propone un sistema de razonamiento difuso mejorado para predicciones de flujo de tráfico a corto plazo. El sistema de razonamiento no solo puede capturar la incertidumbre de los datos de flujo de tráfico, sino que también puede describir bien las dependencias temporales. Finalmente, los resultados experimentales indican que el modelo propuesto tiene una mejor precisión de predicción y una mejor estabilidad, lo que reduce 0.6106 en RMSE, reduce 0.281 en MAE y reduce 0.0022 en MRE en comparación con los métodos comparativos subóptimos.