随着经济的高速发展和汽车技术的不断提升,交通拥堵现象日益普遍,缓解交通压力已成为交通领域的一个迫切问题。交通流预测作为提高交通容量方法的一个关键环节,正成为交通科学和智能技术的研究热点。如何利用信息技术产生的交通大数据进行有效的流量预测显得至关重要。当前,深度学习凭借其优异的学习能力,取得了许多优异的成果。针对短时交通流预测的实时性、准确性要求,本课题结合“交通+大数据+深度学习”等进行了深入的研究,提出了一种新的基于模糊理论的交通流深度预测方法,首次通过模糊理论将交通事故不确定信息引入卷积神经网络中来辅助预测。主要工作如下:1)本文对交通流数据进行了预处理操作,并提取出了交通流数据中隐含的交通事故不确定信息。针对收集数据中的数据缺失问题,基于交通流流量的周期性特点,本文使用相邻周期的交通流量对缺失的流量数据进行填充,建立了一种相邻重复补充方法。此外,针对交通事故会给交通流量造成影响这一特点,使用模糊理论提取出交通事故信息,可有效刻画流量数据中隐含的交通事故不确定信息。2)基于预处理后的交通数据,本文构建了一个基于模糊理论的交通流深度预测模型。该模型不仅包含交通流量的时空特性,以周期性构造出交通流内部时空特征序列,作为深度网络的输入量,并且采用模糊推理引入交通事故不确定信息,构造出事故特征序列,并结合其他天气信息序列,共同作为深度网络的输入量;然后,通过多层的卷积层和卷积残差层网络学习输入信息中的特征,实现有效的交通流预测。并且,基于预测模型形成了一种新颖的交通流深度预测方法(F-CNN),介绍了对应预测算法的实现过程。最后,通过北京的区域流量数据和气象数据对提出的预测方法进行实验验证。3)本文设计了一个交通流预测原型系统。根据形成的交通流深度预测方法,设计了一个具有数据预处理功能、交通流特征序列构造功能、深度学习模型构建功能、预测模型的训练与优化功能,未来交通流量预测功能的原型系统,并将该系统应用于智能交通系统中,可实现未来交通路况的构建场景。