随着城市化的高速发展,机动车数量日益剧增,各城市的交通拥堵问题开始呈常态化出现。智能交通系统能够有效管控地面交通系统。短时交通流预测是智能交通系统中的一项核心技术。短时交通流预测的目的是在历史交通信息的基础上预测给定时间间隔内的机动车数量。准确的实时交通流预测能提供给道路使用者信息来优化他们的旅途计划并能减少其相关开销。通过参考交通流预测结果,相关部门可以采用相应的交通管理策略来缓解交通拥堵问题。越来越多的研究者开始关注短时交通流预测问题。在过去数十年间,研究者们提出了众多的短时交通流预测方法。传统的短时交通流预测方法是参数化方法。由于交通流自身的非线性和随机性,传统的方法难以精确地刻画交通流,这使得其预测能力的稳定性十分有限。许多研究者尝试使用非参数化方法来预测短时交通流。其中,由于深度学习方法拥有灵活的模型结构,较强处理高维数据能力以及出众的泛化能力,许多深度学习方法和结构被应用于交通流预测。在本文中,我们基于深度学习的相关方法对短时交通流预测问题进行研究。本文的主要研究内容和贡献可以概括为以下几点:1)回顾与总结了国内外以往的短时交通流预测的研究。系统地归纳和对比了各类主流短时交通流预测模型。我们通过分析各类模型与策略,整理出现有短时交通流预测方法存在的问题;2)介绍了短时交通流预测和深度学习相关理论和技术基础。我们对短时交通流预测的定义、交通流数据的采集、交通流数据的预处理以及用以评定交通流预测模型效果的评价指标做了相应的介绍。同时,我们针对深度学习的基本概念、深度学习的训练过程、卷积神经网络以及循环神经网络等做了简单的梳理;3)提出了基于深层双向长短时记忆网络模型的短时交通流预测框架。针对目前部分短时交通流预测模型存在无力挖掘出交通流的深层特征、无法有效利用对时间敏感的交通流数据以及不能考虑其他特征对交通流的影响等问题,我们提出了一种深层双向长短时记忆网络模型。通过结合长短时记忆网络、残差连接、深层层级结构以及双向交通流,它能够提取交通流的深层特征并能有效利用对时间敏感的交通流数据。此外,我们在预测交通流时将降水因素纳入考虑。通过使用交通数据和降水数据训练,可以了解不同降水条件下的交通流特征;4)提出了基于时空特征的城市交通流预测框架。由于短时交通流预测问题是一个典型的时间、空间过程问题,单独考虑交通流的时间特征或者单独考虑交通流的空间特征都是不够妥当的。因此,针对短时交通流预测的一个极具挑战的应用场景分支:城市交通流预测问题,我们提出了一种基于时空特征的深度城市交通流预测框架DST。在我们的框架中,我们使用了一种局部卷积神经网络模型(local CNN)来提取空间特征,同时使用了一种长短时记忆网络模型(LSTM)来提取时间特征。通过结合交通流的时空特征建模,我们的模型取得了较为不错的表现。综上,本文在深度学习方法的基础上,充分利用其模型能力对短时交通流预测问题进行研究。同时,通过广泛的实验证明了我们提出的短时交通流预测框架能有效预测交通流并具有一定的鲁棒性和灵活性。