目前,构建城市智能交通系统已经成为解决城市交通问题行之有效的方法之一。城市交通智能化的要求不断提高,而短时交通流预测作为智能交通系统的重要组成部分,能够提供实时、精确的短时交通流预测,这对交通诱导和控制方案的制定,提高道路交通安全具有重要的意义。除了高度非线性和周期性外,短时交通流在时间和空间域上同样具有丰富的特征。面对大量复杂多元的交通流数据,能否获取到更多更内在交通流特征决定着预测模型的精确度。本文针对交通流的时空特征,选择主流的预测模型,并将其结合起来实现模型优势互补。基于深度学习和神经网络,研究短时交通流的预测方法,本文主要研究内容如下:(1)回顾现有的研究成果,归纳了多种常见的预测方法。针对现有的交通流实验数据,完成数据的清洗和修复工作,分析数据之间存在的关系。完成模型建模、训练和参数选择的工作,为后续的研究做铺垫;(2)基于构建的GRU预测模型,针对同一检测点研究速度和占有率对于交通量预测的影响程度。然后以交通量、速度和占有率为特征因素,以不同的特征组合作为额外的特征输入分析对模型预测精度的影响;(3)针对交通流的时空特性,本文研究并构建了三种基于卷积神经网络和循环神经网络的预测模型,同时研究构建的交通量矩阵在CNN-GRU、CNN-LSTM和Conv-LSTM模型上的预测效果。CNN-GRU和CNN-LSTM预测模型采用卷积提取数据的空间特征,再接GRU或LSTM提取时间特征。Conv-LSTM预测模型将LSTM的部分前馈式计算替换成卷积的形式,因此能同时提取时间特征和空间特征。最后综合对比三种混合卷积循环神经网络模型与传统预测模型,实验结果表明,三种混合模型的预测精度较高,其中Conv-LSTM 模型较 CNN-LSTM 模型的预测性能平均提升 36.7%,较传统模型提升更为显著。