随着汽车逐渐成为主要的交通运输工具,城市交通拥堵问题日益严重。为了改善交通状况,智能交通系统(ITS)的作用越来越受到重视。在此系统中,准确实时的短时交通流预测能够作为车流引导的重要依据。因此,寻找合适的方法预测短时间后的交通流变化情况成为了研究热点。多年来许多方法都被尝试应用于交通流预测领域,其中大部分的方法都是基于单一的模型,并且只根据某一观测结点的历史交通流观测值,预测该观测结点下一时刻的交通流变化。然而,交通流是一种具有非线性、随机性、空间关联性的数据,包含多种组成成分,这使得单一模型和忽视时空信息的方法预测效果存在瓶颈。针对这两个问题,本文提出了基于多模型长短时记忆递归神经网络(Long Short-Term Memory Recurrent Neural Networks,LSTM)和基于时空关联长短时记忆递归神经网络的两种短时交通流预测方法。多模型LSTM的基本思想是对交通流数据做适当的分类,再根据不同类别数据建立对应的预测子模型。通过对每个交通流量数据样本提取一个特征,用于进行K-Means聚类,使数据样本自适应的分为具有不同变化趋势的两类,再针对这两类数据样本训练出对应的LSTM预测子模型。同时,还需要用这两类数据训练出一个K近邻算法构成的分类器,以满足实际应用场景中对交通流进行实时在线预测的需求。时空关联LSTM则是利用了待预测结点与其上游和下游若干观测结点的空间关联关系,将所有结点观测到的交通流量数据作为输入样本。在每一时刻都需要求待预测结点的样本与其他观测结点样本的相关系数,并以此作为LSTM输入层的权重系数。这一模型训练方式不仅能够实时自适应的调整不同观测结点对于待预测结点的影响权重,还能使我们观察出交通路网中哪些结点更具重要性。本文以美国加州道路性能评估系统采集的交通流量作为实验数据,以平均绝对百分比误差和均方根误差作为评价标准,对比多种主流预测模型与本文所提出两种模型的预测准确率。实验表明,本文的两种预测模型都具有更好的预测效果,并且将两种模型进行融合还能进一步提升预测准确率。