交通流量的预测作为智能交通的一个关键技术,在智能交通系统领域中占据着重要地位。准确而及时的交通流量预测结果不仅可以让出行者很好地了解交通状况,也可以给交通管理部门提供管控依据。现有以收费站为对象的研究主要以回归的方法分析自身流量历史规律,通过趋势外推的方式完成预测,忽略了收费站间的时空联系,预测效果不佳。因此,结合收费站间的时空关联对收费站流量进行准确而及时的预测具有重要的理论和现实意义。论文中通过分析收费数据的时间相关性,建立了结合时间序列分解的门控循环单元（GRU）收费站下道流量预测方法。通过分析收费站间的相互影响,建立考虑路网出入口（OD）间流量贡献时变性的流量预测方法,最后综合考虑时空特性建立组合预测方法,完成收费站下道流量的组合预测。主要内容包括:（1）结合时间序列分解的GRU下道流量预测方法。针对现有收费站流量预测方法大多采用时间序列回归的方法,忽略了流量数据之间的时间相关性的问题。本文建立了结合时间序列分解的GRU下道流量预测方法,充分挖掘数据内部关联,完成收费站下道流量的预测。利用重庆市高速公路的历史数据进行实验验证,并与差分综合移动平均自回归（ARIMA）预测方法以及支持向量回归机（SVR）预测方法进行对比,结果表明,文中建立的结合序列分解的GRU下道流量预测方法具有更高的预测精度。（2）考虑路网OD流量贡献时变性的下道流量预测方法。针对现有研究方法输入规模较大,复杂度较高的问题。文中通过分析路网中流量分布特性,确定OD预测方法的降维阈值,降低模型输入规模,然后分析OD间流量贡献变化规律,合理筛选相关站点,确定各入口收费站对目标收费站的流量转移权重,进而建立考虑路网OD流量贡献时变性的下道流量预测方法。利用重庆市高速公路历史数据以及实时上道数据验证了本文所建立的预测方法的有效性。（3）考虑时空特性的下道流量组合预测方法。针对现有收费站流量预测模型大多为单一预测模型,仅能反映序列部分信息,具有明显局限性的问题。本文利用动态加权法,根据单一模型在不同时段的预测性能,动态确定各单一预测模型权重,建立变权重组合预测模型,完成收费站流量有效预测。利用重庆市高速公路数据验证了本文考虑时空特性的下道流量组合预测方法的有效性。