近些年，我国社会经济快速发展，人们交通需求逐步增加，道路基础设施供需失衡日益严重，给交通运输路网带来沉重负担，交通运行效率低下、交通环境恶化等问题伴生而来。在此背景下智能交通系统应运而生，智能交通在改善路况、预测突发事件、规划出行路线等方面具有重大意义。如今交通领域大数据时代的到来，使得交通数据信息激增，如果能合理地利用海量数据，实时、高效地对交通流进行预测，进而给出相应的理论和方法指导，必定可以在一定程度上缓解交通拥堵问题。本文针对交通流特性，提出了深度学习和集成学习方法，实现了交通流的短时预测。
　　首先，整理了国内外交通流预测方法，给出了本文的研究背景，并此基础上提出了本文的技术路线。
　　其次，简单介绍了目前常用的四种交通流数据采集方法，并针对本文采用的微波数据，提出了交通流数据预处理方法。在此基础上，对城市快速路交通流的时空特征进行了分析。
　　再次，为充分利用交通流的时空特性，本文提出了基于卷积神经网络、门控循环单元和注意力机制的深度学习模型，即ACGRU模型。该模型采用卷积神经网络挖掘交通流空间特征，门控循环单元获取交通流数据的时间特征，同时为了更有效地捕捉特征，引入了注意力机制。结果表明ACGRU模型可以较好的拟合交通流变化趋势，该模型的预测精度优于单一模型。同时将ACGRU模型与AGRU模型和CGRU模型结果比较，评估了各部分的有效性。
　　最后，为进一步提升交通流预测精度，弥补单一模型的缺陷，本文提出了基于Stacking算法的短时交通流预测方法。采用两层Stacking算法，将ACGRU等多个基学习器算法放入第一层，以线性回归作为第二层，构建了多模型融合框架。实验证明，Stacking算法提高了模型性能，其融合结果要优于单一算法。