城市道路的时空资源总量是有限的，持续快速增长的机动车保有量及出行需求给城市交通不断增压，城市交通拥堵范围及严重程度日益严峻。为此，寻找适合特定交通环境的实时、准确的交通流预测方法并加以应用对交通流的诱导和交通控制起到了很大的促进作用。在短时交通流的预测技术领域的研究中，多数学者都在研究单个模型进行泛化能力或预测准确率的改善，但交通流受环境、路网情况等多种因素影响，具有较强的随机性和非线性，每天高峰和平峰的交通流数据差异大，单个模型预测涉及的预测范围、时间区间较大，将单个模型用于每天多种变化模式下的交通流的预测，可能会影响预测精度。为此，本文利用山地城市的道路交通流数据以及机器学习的方法，研究不同特征、不同时间、不同区域数据列对短时交通流预测模型预测精度的影响程度，建立精度较高的交通流异常数据RF修复模型以及考虑多影响因素的响应式GA-LSTM短时交通流预测模型。
　　首先，针对交通流异常数据修复方法及数据预处理的流程进行研究，提出车辆RFID数据聚合方法及交通流异常数据RF修复方法。其次，对短时交通流预测领域常用的LSTM网络进行参数寻优的改进研究，采用GA寻找交通流时间序列滑动时间窗口步长N和LSTM网络超参数的最佳组合，建立基于GA-LSTM的短时交通流预测模型。最后，针对多影响因素下的短时交通流预测问题，本文提出多模型响应式GA-LSTM短时交通流预测方法，按照是否工作日、平稳或剧烈交通流变化趋势、预测区域范围等影响因素对交通流时间序列分类后分别建立对应的短时交通流预测子模型。
　　本文以重庆市某区域路网的车辆RFID检测数据作为实验数据，以MAE、MSE、RMSE和MAPE作为误差评价标准，将本文所提出的RF异常数据修复方法、响应式GA-LSTM短时交通流预测模型与其他多种主流修复模型及预测模型进行对比实验。实验表明，本文提出的RF修复模型与响应式GA-LSTM短时交通流预测模型对比文中提到的其他模型均具有更好的修复、预测效果，模型可靠。期待将所提出的修复及模型应用于交通流预测领域，改善现有的交通管理措施，助力智慧城市的建设，推动全面深化改革的步伐。