交通流量预测是指通过历史交通数据估计在未来某一时段某一指定区域通过的车辆数量。交通流量预测是智能交通系统的一个重要组成部分，其预测精度对于交通控制系统的有效实现具有重要的意义。虽然交通流量预测问题已研究长达数十年，但是现有的预测方法仍然存在一些不足。这些不足主要表现在：浅层模型难以揭示交通流量数据的内在时空关系；许多方法将特征学习和回归预测分离，使得模型性能下降；手工提取特征不能适应问题的复杂性；未考虑不完整数据的问题。
　　本文以提高交通流量预测精度为目的，以深度学习方法为基础，针对以上提出的不足进行研究。本文的主要工作可以归纳为五个方面：首先，分析总结国内外交通流量预测研究现状。归纳现有交通流量预测方法的主要不足之处，即预测模型结构浅、手工提取特征效果差、忽略交通流量的时空相关性和忽略不完整数据集问题。其次，分析交通数据特点，主要针对数据不完整性和数据时空特性展开研究。引入基于随机子空间的集成学习技术，增强模型适应数据不完整的鲁棒性；利用矩阵混合表达时空数据，将交通数据看作图像，利用卷积操作融合数据时空特征。再次，针对数据集中物理站点较多的问题，在空间维度分析站点间的相关性，利用余弦相关系数与稀疏表达技术分别建立了站点间的相似关系，从而实现在空间维度降维，提取主要空间特征。然后，针对数据集中时间延续很长、需要提取有效时间片段的问题，在时间维度分析各个时间点之间的相关性，利用图嵌入技术及其核化技术，实现在时间维度降维，提取主要时间特征。最后，在预测模型的构建方面，采用深度卷积神经网络作为基本预测模型，针对深度模型超参数较多、不易确定的问题，重点研究了模型超参数优化方法。
　　本文的主要创新点可归纳为四点：
　　①将多站点时间序列数据转化为矩阵数据，通过二维卷积操作综合分析时间-空间关系；建立基于深度卷积神经网络的交通流量预测模型；针对深度模型超参数较多、不易确定的问题，提出基于均匀设计的随机搜索超参数优化方法。
　　②针对数据不完整问题，提出基于随机子空间的集成学习策略，增强模型适应数据不完整的鲁棒性。
　　③利用稀疏表示的重构系数构建站点间的空间相关关系，从而建立站点间的空间相似度矩阵。
　　④利用图嵌入框架，实现时间维度的降维，提取有效时间片段，并将其核化，实现时间维度的非线性降维。