在城市化发展水平不断提高的背景下,人们出行需求增加促使城市机动车保有量逐年攀升,进而给城市交通系统带来交通拥堵等一系列问题。智能交通系统作为缓解这些问题的关键已经得到了广泛的应用。近年来,随着交通信息技术的发展,智能交通也迫切需要改善其相关技术推进交通智能化。交通流预测作为智能交通系统中的基础技术可以提供实时、动态的诱导信息用于制定交通管理与诱导措施。因此,对城市道路进行短时交通流预测在缓解交通拥堵、提高城市路网通行能力上具有重要的意义。本研究以实际数据为基础,结合交通流特性,提出了一种多尺度下粒子群优化深度置信网络的短时交通流预测模型,提高了短时交通流预测的准确度。首先,确定选题背景与意义,简要概述了有关短时交通流的基本知识,分析了深度学习的研究现状,进而给出本文的主要研究内容及技术路线。介绍了包括小波分析、深度置信网络和粒子群算法在内的相关基本知识和理论基础。详述了上述模型和算法的模型原理,并对相关参数做了分析工作。其次,在理论知识的基础上建立基于深度置信网络的短时交通流预测模型,给出模型的建立框架和预测流程,并分析了该模型的相关参数;在分析深度置信网络相关参数的条件下,提出用粒子群算法优化其参数的短时交通流预测模型;根据深度置信网络的可塑性,结合多尺度小波分析建立预测模型。最后,利用真实历史数据对模型进行实例验证。在分析基础数据和确定评价性能指标的前提下,通过分析隐含层神经元数量和学习率对模型的影响,对比分析不同模型的预测精度,最终选定本文提出的基于多尺度小波分解融合深度学习的短时交通流预测模型。在此基础上,又分析了工作日、非工作日和高峰小时时段模型的精确度。通过模型仿真,对比不同模型实验结果,结果表明,本文提出的基于多尺度小波分解融合深度学习的短时交通流预测模型具有良好的性能,该模型对一周交通流预测的平均绝对百分误差为7.21%;工作日的预测误差约为7.97%;非工作日模型误差约为10.39%;高峰小时的预测精度位于95%～96%之间。