交通流预测作为智能交通系统中的关键技术,它不仅能够为出行者提供实时、可参考的公交到站时间、路段车辆速度等交通信息服务,也能够通过路网状态评估为道路交通管理中的信号控制、路径诱导提供技术支撑。由于城市交通系统是一个动态的开放性大系统,其高度的复杂性、随机性以及不确定性使得对交通流的高可靠度预测难度增加,因此使用更为科学有效的预测方法对交通流参数的随机性进行描述和趋势预测,为提高道路通行能力和稳定性提供帮助。深度神经网络作为一种新的技术,凭借较强的数据学习能力能够从多源交通流数据集中挖掘出内部规律及特征,但是其确定性预测结果很难反映交通流的随机性。为了克服这一问题,本文先提出基于深度时间卷积网络（Deep Temporal Convolutional Network,DeepTCN）的交通流确定性预测模型;在此基础上,利用集成学习Staking的思想,基于概率误差补偿的集成策略,实现DeepTCN模型与Copula模型融合。通过融合模型可以计算得到概率性预测结果,一定程度上也提高了DeepTCN模型的预测精度。本文主要的研究内容如下:首先,以广州市实际交通大数据进行分析处理。一是在高速路检测器数据关联组合、异常值处理、标准化等多层次处理的基础上进行路段流密速参数的时空特性分析,进一步基于多项式曲线拟合得到流量密度关系曲线,最后采用核密度估计方法得到不同密度下速度、流量的概率分布函数;二是对公交车进出站数据进行数据清洗和交通流参数计算得到公交车的车头时距,进一步对公交车的运行状态、车头时距时空特性进行分析,最后采用核密度估计的方法证明了公交运行过程中存在一定的随机性。其次,在阐述深度学习理论的基础上,建立基于DeepTCN的确定性交通流预测模型,该模型在堆叠膨胀因果卷积基础上引入残差神经网络,能够捕捉长时间序列的相关性。利用两个案例（高速路车流速度预测和公交车头时距预测）证明了DeepTCN的适用性,并且整体预测性能都优于处理时序任务的经典神经网络模型。最后,针对DeepTCN的确定性预测结果难以反应交通流随机性的问题,提出基于Copula理论的预测误差概率补偿的预测方法。从DeepTCN模型预测变量与观测变量的相关性出发构建两个变量联合概率分布,拟合出在预测变量条件下的预测误差的条件概率分布函数,继而对预测变量进行误差概率补偿,得到概率预测结果。因此,本文提出的融合模型不仅反映交通流的随机性,而且该模型的概率预测结果能够为工程应用提供更多的决策信息。