交通拥堵是当今社会的一大问题,智能交通系统是针对交通拥堵问题的一种新兴的主要手段,交通量预测则是系统中必不可缺的一大模块。交通量预测是在已有交通数据的基础上分析和总结规律从而预测将来一段时间的交通量,这对城市的交通规划、企业的交通工具调度、用户的出行规划等领域都有指导意义,如机动车交通量预测有助于政府交管部门提前知道城市的拥堵区域并采取相应的行动。由于近年交通数据的规模与日俱增,交通量预测越来越受到人工智能研究者们的关注,研究者们已经提出了很多方法,但现有的方法仍然有局限性。现有的方法在建模交通量的时空依赖时,没有考虑到现实中不同区域之间空间依赖随时间动态变化的特性和时间依赖不严格的周期性。本文详细说明了我们构建的基于深度学习的交通量预测模型的架构和细节。在模型中本文同时使用了局部卷积神经网络模型和长短时记忆网络模型分别建模交通量数据的局部空间依赖性和短期的时间依赖性,引入流控制机制来对区域间动态变化的空间依赖进行建模,引入周期性转移的注意力机制对以往研究中忽略的长期的定期依赖和周期性的时间转移进行建模,实现更准确的预测。接下来我们将概括本文的研究内容:(1)详细说明了本文构建的基于深度学习的交通量预测模型的架构和细节。在模型中我们同时使用了局部卷积神经网络模型和长短时记忆网络模型分别建模交通量数据的局部空间依赖性和短期的时间依赖性,并将外部特征纳入考虑以获得更准确的预测。在和其他11个对照模型(HA、ARIMA、KF、RR、XGBoost、MLP、CNN、local CNN、LSTM、ST-Resnet、Conv LSTM)进行对比实验时,实验评估结果显示本文的模型效果相比于其他对照模型准确率有明显的提升,验证了综合使用交通量数据的时空特征和外部特征进行建模的有效性。(2)引入流控制机制来对区域间动态变化的空间依赖进行建模,引入周期性转移的注意力机制对以往研究中忽略的长期的定期依赖和周期性的时间转移进行建模,实现更准确的预测。在北京市出租车轨迹数据集和纽约市出租自行车轨迹数据集上的开始交通量的均方根误差(RMSE)分别为12.17和4.81,在原本的local CNN+LSTM组合模型的基础上降低了5.9%和6.2%的预测误差。本文通过广泛的实验证明了我们提出的深度学习模型能够准确预测道路交通量,在两个交通工具数据集上的优秀表现证明了其通用性,因此本文既有理论研究价值又有实际应用意义。