Los modelos existentes de predicción de flujo de tráfico a corto plazo no logran proporcionar resultados de predicción precisos y no consideran el impacto de diferentes condiciones de tráfico en los resultados de la predicción en una red de tráfico real. Para resolver estos problemas, se propone una red neuronal híbrida de Memoria a Largo y Corto Plazo (LSTM), basada en el modelo LSTM. Luego, se optimizan experimentalmente la estructura y los parámetros de la red neuronal híbrida LSTM para diferentes condiciones de tráfico, y se compara el modelo final con otros modelos típicos. Se encuentra que el error de predicción del modelo híbrido LSTM es claramente menor que el de los otros modelos, pero el tiempo de ejecución del modelo híbrido LSTM es solo ligeramente más largo que el del modelo LSTM. Basado en el modelo híbrido LSTM, se predicen además los flujos de vehículos de cada sección de carretera e intersección en la red de tráfico real. Los resultados muestran que el error relativo máximo entre los flujos de vehículos reales y predictivos de cada sección de carretera es del 1.03%, y el error relativo máximo entre los flujos de vehículos reales y predictivos de cada intersección de carretera es del 1.18%. Por lo tanto, el modelo híbrido LSTM se acerca más a los requisitos de precisión y tiempo real de la predicción de flujo de tráfico a corto plazo, y es adecuado para diferentes condiciones de tráfico en la red de tráfico real.