随着我国高速公路里程数和汽车保有量的不断增加,道路交通拥堵、交通事故频发和环境污染等问题日益严峻。智慧交通的大力发展,为解决这些交通问题提供了新思路。交通诱导和控制是智慧交通的核心,准确、实时的高速公路短时交通流预测是实现交通诱导和控制的重要基础,交通流的预测受到各种时变且复杂因素影响。因此,从提高预测模型的预测精度出发,研究高速公路短时交通流的预测方法具有重要的应用价值。本文在对高速公路短时交通流进行时空特性分析的基础上,提出一种基于流形距离的K近邻(Manifold distance k-Nearest Neighbor,MD-KNN)数据修复算法。首先,根据采集的多站点交通流数据建立历史数据库;其次,利用自相关系数度量数据的自相关性,选取合适的时间尺度构造状态向量;然后,利用流形距离度量缺失向量和状态向量之间的相似性,选取合适的K个状态向量修复缺失值;最后,与历史平均法、线性插值法和KNN算法进行实验对比;对比结果表明:MD-KNN修复算法优于传统的数据修复算法。本文根据交通流的时空特性,提出了两种短时交通流预测模型。(1)基于改进长短期记忆网络的短时交通流预测模型(Improve Mean Squared Error Long Short-Term Memory,IMSE-LSTM),该模型考虑交通流的时间相关性,以交通流时间序列作为输入样本,利用LSTM网络进行交通流预测,并通过dropout层和改进损失函数优化LSTM网络,以提高模型的预测精度;(2)基于时空特性的短时交通流混合预测模型,该模型同时考虑交通流的时间和空间相关性,分别利用IMSE-LSTM和径向基函数(Radial Basis Function,RBF)神经网络对其建模,然后利用熵值法对两种单一预测模型进行加权融合,构建IMSE-LSTM-RBF混合预测模型并得到最终预测结果。将本文提出的两种预测模型与ARIMA、SVR、LSTM、GRU模型进行实验对比,实验结果表明,本文提出的预测模型均具有较高的预测精度和泛化性能,且混合预测模型的预测效果更好、更稳定,表明预测模型中添加了空间特性因素,能使预测精度更高。