随着机动车变得越来越普及,我国汽车保有量也直线上升,我国公路里程增长速度远远赶不上汽车保有量增长速度。交通拥堵已成为一个难以解决的问题,也带来了环境污染、噪声污染等问题。各种智能交通辅助设备层出不穷,交通数据呈现爆炸式增长,实时的交通状况预测也显得尤为重要。智能交通系统中的交通流预测是进行合理交通诱导和控制的基础,它能够为交通管理系统提供坚实的基础和数据支持。本文提出一种基于GRU神经网络和BP神经网络相结合的交通流预测模型,使用美国双子城交通流数据,验证了该模型的可行性。通过预测模型的搭建,实验结果表明,该组合模型具有较高的预测精度,能够捕捉到高峰时刻交通流的波动状态,同时该模型具有很强的鲁棒性。本文主要工作内容如下:1、基于GRU模型短时交通流预测研究因为GRU神经网络在时间序列数据预测方面具有一定的优势,从而我们可以搭建GRU神经网络预测模型用于交通流预测。通过对比预测模型的评价指标,反复训练GRU模型,修改神经网络相关参数,使得模型的损失函数最小。2、基于BP模型短时交通流预测研究BP神经网络有很好的非线性映射能力和泛化能力,能够在一定程度上提高数据的适用范围。本文选取BP神经网络预测交通流量,研究并搭建神经网络模型。通过对比预测模型的评价指标,对神经网络相关参数进行调优,使得预测模型的损失函数最小。3、基于GRU-BP组合交通流预测模型进行研究为进一步提高交通流量预测精度,基于上述两种交通流预测模型的研究,提出GRU-BP组合交通流预测模型。并且经过实验对比,与单一的预测模型相比,组合模型能够更好地提取数据中长时间的依赖关系特征。利用GRU神经网络对时序数据的处理优势以及BP神经网络挖掘复杂数据信息的能力,使得组合模型能够将数据的长期依赖关系再次反映到网络中继续训练,最终达到提高短时交通流预测精度的目的。