近年来,随着交通系统日渐庞大与复杂,交通压力激增、交通事故频发、交通环境日益恶化。智能交通系统(ITS,Intelligent Transport System)融合多种新兴技术,提高道路安全与出行效率,改善交通环境。其中,交通控制和交通诱导尤为重要,而实时准确的交通流预测能为交通控制提供有效帮助,是实现交通诱导的基础。交通流预测就是根据大量道路历史数据来预测未来时刻的交通状况,一般对未来几秒到几小时的预测便称为短时交通流预测。本文首先研究在单个检测器上的短时交通流预测,进而考虑多种不同因素对交通流的影响,以提高模型的预测效果。在单检测器短时交通流预测方面,本文提出了结合注意力机制的循环门控单元网络(AGRU,Attention Gate Recurrent Unit Networks)与扩张-因果卷积神经网络(DCFCN,Dilated-Causal Fully Convolutional Networks)。交通流本质上是一种时序数据,而GRU广泛应用于序列处理任务。本文在GRU的基础上增加了注意力(Attention)机制,以更好地捕捉不同时刻交通流对预测结果的影响。实验表明,加入Attention能提高模型的预测效果。此外,交通流可以看成时间轴上的一维图像,进而使用卷积神经网络进行预测。为了解决卷积神经网络在序列处理任务上的不足,DCFCN在CNN的基础上引入扩张卷积来增加感受野大小,获取序列的长时记忆。同时,利用因果卷积解决信息泄露问题。实验表明,本文提出的DCFCN模型在单检测器短时交通流预测任务上优于其他对比模型。考虑到交通状态极易受到天气、上下游交通等多种因素影响,以往的研究大多基于交通流历史数据本身,而忽略了其他影响因素。针对这一问题,本文将多检测器拓扑结构提取为交通流的空间特征,并进一步添加天气、时间、周期等多种影响因素,提出一种融合多因素的短时交通流预测模型(MFNN,Multi-Factor Neural Networks)。MFNN使用两个全连接神经网络分别提取天气特征与时间特征,多层卷积神经网络提取空间特征,GRU或者DCFCN提取交通流的时序特征以及周期特征。实验表明,本文提出的MFNN模型能有效利用多种特征来提高模型预测效果,且预测效果优于其他对比模型。