随着城市化进程与社会经济发展,城市交通拥堵情况频发且日益严重,缓解城市交通拥堵问题成为了当务之急。通过短时交通预测,洞察未来的交通情况,从而采用合适的交通控制策略,更高效地利用现有的道路网络,是一种经济、有效的解决途径。短时交通预测的对象主要是用于反映道路交通运行情况的交通关键运行指标(Key Performance Index,KPI),包括流量、速度、密度等,而预测难点源于交通系统的复杂性,交通运行情况会受到多方面因子的影响,包括时间、空间、环境等维度,将强关联因子以合适的方式引入预测流程是提高预测精度的关键。基于真实数据,以交通流量这一交通KPI为例,分析其在时间上维度上与自身的关联关系,在空间维度上与路网其他路段的关联关系,在环境层面上与基础设施、天气的关联关系,明确各类因子与交通状态变化的关联性,并提取关联特征。其中对于较难提取的空间关联特征,设计了一个二阶段top-k关联路段提取算法。基于多种关联特征,设计了长短时记忆网络(Long Short-Term Memory,LSTM)和简单人工神经网络(Artificial Neural Network,ANN)结合的模型进行短时交通预测,LSTM部分学习数据在时序上的深度依赖特征,ANN部分扩展特征多样性,嵌入非时序依赖的特征。基于真实交通数据、路网数据、气象数据进行的实验表明,融合多关联因子的LSTM-ANN模型预测平均绝对百分误差小于5%,精度优于传统的滑动平均、支持向量回归等方法。进一步的分析显示,空间关联因子的引入显著提升了预测精度,并且能大幅提高交通状态频繁突变情况下的预测能力,说明了top-k关联路段选取方法在捕捉空间关联信息上的有效性。