近年来,随着经济的不断发展,汽车保有量的快速增长给城市道路带来了交通拥堵、环境污染等负面影响,而智能交通系统的出现对交通运行效率的提高起到了重要作用。合理的交通状态判别和准确的交通流量预测为智能交通系统中交通诱导、交通规划等重要模块提供了重要支持,是目前智能交通系统领域的热门课题。针对交通流量具有周期性、相似性和空间连通性等时空变化特点,本文以洛杉矶城区高速路网为研究对象,从交通状态挖掘和短时交通流量预测两个方面进行了深入研究,提出了一种基于深度学习的改进交通状态判别和短时交通流量预测方法。本文工作可为大规模高速路网管控提供支撑,具有较大的实际应用价值。主要工作如下:首先,针对交通流量变化具有周期性、相似性和空间连通性三种主要特性进行可视化验证,为交通状态判别和短时交通流量预测打下基础。其次,考虑到工作日与休息日交通信息序列变化趋势不同,本文构造了分类样本对,通过共享参数的LSTM网络对分类样本对进行编码,并利用路网不同节点交通状态变化相似性的特点,将这种编码方式扩展到路网中的任意节点规定长度的交通信息序列;为挖掘出更合理的交通状态信息,基于LSTM编码的交通信息序列提出了改进的K-Means聚类算法,并通过实验验证了编码方法的有效性和聚类方法的收敛性。最后,针对短时交通流量预测问题,结合FM结构、注意力机制和LSTM结构提出了Cluster-Attention-LSTM预测模型,从时间和空间两个方面学习交通流量变化的周期性和空间连通性信息,对不同检测器节点学习不同的数据变化规律,有效提高了短时交通流量预测的准确性;并在改进的聚类算法结果基础上,在保证预测精度的前提下,有效压缩了预测模型参数数量。通过实验对比分析,验证了预测模型在整体路网中的预测准确性,说明了本文提出短时流量预测模型的可行性。