许多城市的交通拥堵问題严重影响了居民的出行和生活质量,并会导致社会、经济和环境等问题。智能交通系统是缓解交通拥堵的有效手段之一,交通流预测是其重要组成部分。城市级大型路网的长时交通流预测有助于规划和改良道路网络结构或开发新的交通控制策略,具有重要的理论和现实意义。但由于复杂的时空依赖关系、多重随机因素导致的强烈非线性、多步累计误差、大型路网的复杂拓扑结构等,故预测具有很大的挑战性。为应对这些挑战,本文面向大规模城市路网的24小时长时交通流预测,开发一个基于聚类和多模型提取交通流波动特征（Clustering and Multivariate Fluctuation Characteristics,Clustering-MFC）的深度学习框架,为缓解交通拥堵提供理论依据。主要研究内容和研究成果体现在以下方面:（1）基于时间序列聚类算法,分析交通流时间序列在不同时空节点上的序列形状,提出交通流时间序列多尺度分析的聚类框架寻找序列变化模式,框架包括相似性度量方法和定量评价指标。在实际的深圳市应用案例中,每簇的交通流时间序列有着不同频率和幅度的波动。相比于没有经过聚类的交通流预测精度,时长为24和144的交通流时间序列预测精度分别提高了3%-5%和3%-6%,对比增加循环卷积神经网络层数或增大权值矩阵使精度提升约0.5%-1%,说明聚类学习对于大型城市路网的交通流预测是十分有效的。（2）基于图卷积理论,将道路网络抽象为无向图G（28）（V,E,A）,V表示路段集,E表示路段间的相邻关系集,A表示邻接矩阵。研究交通流和交通流变化在整个城市路网拓扑结构上的扩散性,建立线性时空波动扩散网络提取时空波动特征,进一步提升了长时交通流预测的准确性。（3）基于长短时记忆递归神经网络,预先提取不同时间粒度的未来波动值。与直接将未来交通流序列作为输出相比,减少了累计误差,提取到的不同时间粒度的未来波动特征相对有着较高精度。同时采用相关性系数计算交通流序列和其时间相邻序列的关联程度以增加长期依赖信息并增强预测稳定性。在实际的深圳市应用案例中,相比于未添加未来波动特征的时间序列,序列长度为24和144的预测精度分别提升了近6%和近9%,验证了细粒度未来波动特征的有效性,是长时交通流预测的重要特征。（4）提出的Clustering-MFC框架在中国深圳大型路网上预测三种不同时长（24、72和168小时）的交通流实验结果表明,与各种基准模型（如HA、ARIMA、LSTM、B-RNN）相比,Clustering-MFC框架在长时交通流变化趋势预测性能方面优于其他模型。