近几年,随着社会水平不断提高,私家车已经成为人们出行不可或缺的代步工具,但是便捷中给交通造成很大的压力,随之出现交通拥堵和环境污染,交通流预测算法得到广泛的研究,希望能够让司机提前做好道路规划,减轻交通压力。虽然目前针对基于循环神经网络的交通流预测算法已经有很多,但是其中大部分的算法都是基于过去数据预测未来,没有考虑未来数据预测过去数据来达到预测未来的思路。本文针对这方面进行深入研究,主要工作如下:首先将BiLSTM(Bi-directional Long Short-Term Memory)算法应用到交通流预测领域,采用两层LSTM对交通流数据进行复用。考虑到随时丢弃的交通流数据对后序数据产生一定的影响,所以使用正反LSTM进行特征提取,使得每个时间步输出值取决于两层算法的值,得到更加精确的交通流预测模型,从而提高预测结果的精度。同样原理将BiGRU(Bi-directional Gated Recurrent Unit)算法应用到交通流预测领域。其次为了进一步提高交通流预测的精度和处理突变事件的实时性,本文提出了DBiLSTM(Double Bi-directional Long Short-Term Memory)算法进行交通流预测。DBiLSTM不仅考虑了过去数据特征对未来的影响,同时考虑了未来数据特征对过去的影响。在BiLSTM的基础上,同时训练并得到正反两个BiLSTM预测模型,使得预测同一天的未来与过去通过线性融合而提高预测结果。同样的原理提出了DBiGRU(Double Bi-directional Gated Recurrent Unit)算法进行交通流预测。最后本文通过设计实验仿真使用四个算法实现了交通流预测并进行了预测性能评估,实验仿真结果表明:BiLSTM算法在交通流预测方面相比LSTM,提高了低峰期预测的精度,而且速度也有所提高;DBiLSTM相比BiLSTM与LSTM,在突变事件处理上提高了处理时间和处理精度。BiGRU算法在交通流预测方面与GRU相比,在预测低峰期提高了处理数据的敏感度,预测精度略有提高;与BiGRU与GRU相比,DBiGRU在预测精度方面没有太大的提高,但是在处理突发事件的速度和进度上有大幅度的提高。总体来看,改进算法在交通流预测方面具有处理速度快、预测精度高与突发事件处理能力强的特点。