人工智能的发展推动了智慧交通技术的进步,它促使交通管理和服务智能高效化、电子信息化及安全防范化。我国城市的交通拥堵问题日益严重,在智能交通系统中,交通流量预测是解决该问题的重要手段。有一定预见范围的车流量预测可以为管理部门提供指导依据,也可以为人们出行提供参考,对于改善城市交通拥堵问题来说意义重大。由于大数据技术的广泛应用,在视频监测场景下对车辆和车牌的检测和识别准确率有明显提升,基于车牌识别的交通流量数据采集技术应运而生。本文针对非规则车牌识别准确率低的问题,采用多任务弱监督的方案优化车牌图像矫正方法,进而提升数据采集质量。对于交通流量预测,采用挖掘相似的历史和注意力法缓解长期预测中误差传播的影响。具体围绕以下方面进行了研究与改进:(1)基于车牌识别的交通流数据采集。提出基于空间变换网络的非规则车牌识别优化方法。针对在视频监测场景下,由于摄像头布设位置不佳造成车牌形变从而影响识别结果的问题,提出了一种图像矫正优化方法。针对STN网络依赖于参数初始化问题,提出了多任务弱监督的训练方法,在训练中分情况计算分类和回归的损失,采用少量标注的方式提升基准点的定位能力。该方法有效提升了车牌识别率,对采集高质量的交通流数据意义重大。(2)基于相似搜索的交通流历史信息提取。提出基于关联矩阵的相似场景序列搜索方法。定义了交通流中的“相似场景”,并分为周期性场景和最临近场景。针对交通流相似性度量,提出基于关联矩阵序列描述法,更准确描述交通流序列特征。进一步,提出了基于周期性和最临近的相似场景搜索方法,分为三通道搜索近期和较远重要时间点的窗口,更全面的搜索到历史交通流重要信息。(3)基于注意力机制的交通流量长期预测。提出基于时间对齐和上下文的混合注意力机制用于交通流长期预测。将相似搜索结果应用于注意力结构中。针对传统的注意力模型通过反向传播不能学习到正确权重的问题,提出了基于相似场景时间对齐和上下文的混合注意力模型,使模型的学习过程更具有目标性。该模型更有效的关注时间序列的细节特征,更好的保持长距离依赖性,降低预测过程中随步长增加而积累的误差,对交通流量长期预测效果显著。