随着社会的信息化发展,智能交通系统已成为城市交通管理、交通运输的重要工具。交通流量预测作为现代智能交通系统中的关键环节,是快速精准制定交通管理策略、提高交通运输效率与减少交通事故的重要方法之一,已经成为交通领域的研究热点。目前,研究者们采用深度学习技术,已建立起诸多交通流预测模型,并达到不错的预测效果。本文围绕深度学习相关技术对交通流量预测问题展开了研究。本文基于对抗深度学习对交通流预测问题进行研究,分别从空间、时间两维度出发,建立了交通流空间预测与交通流时间预测的相关模型。首先,本文对采用的交通流量数据集、生成对抗网络相关理论、预测评估标准进行介绍,并利用皮尔逊相关系数、统计分析等方法对交通流量数据进行特性分析;紧接着,本文从空间维度研究交通流预测问题,本研究利用传统的BICUBIC插值法、卷积神经网络模型进行空间预测,然后以残差学习与亚卷积结构为基础建立起交通流空间预测的生成对抗网络模型,结果表明卷积神经网络与生成对抗网络在整体上明显优于插值法预测,生成对抗网络模型与卷积神经网络模型相比,平均降低了4.06%的NRMSE(Normalized Root Mean Squared Error)数值误差,提升了2.34%的结构相似度。最后,本课题利用时间序列ARIMA(Autoregressive Integrated Moving Average Model)模型、深度残差网络模型、深层多尺度生成对抗网络模型分别解决交通流量时间预测问题,通过预测结果发现:与其它模型相比,生成对抗网络模型呈现出较优的预测效果,其与经典残差学习模型相比降低了17.85%的NRMSE数值误差。综上,本文通过深度学习、生成对抗网络等知识与技术,基于空间与时间维度分别对交通流预测问题进行了研究,并取得了精度较高的预测效果。本课题研究提供了对抗深度学习在交通领域的新应用前景,为交通流预测问题的研究发展提供了一定的科学理论依据。