我国社会经济的高速发展需要完善的城市交通体系作为保障。如何对城市交通路况实时合理分析是完善城市交通体系的重要环节。通过研究发现,城市交通道路指数是反映城市交通路况的重要指标,并且它与城市气象因素状况的相关性显著。基于此,本文从城市气象大数据出发,结合主成分分析(PCA)、BP神经网络、极限学习机(ELM)和长短时记忆网络(LSTM)等理论模型,构建了城市道路交通指数的回归模型,以期对城市道路交通体系的进一步完善提供参考。第一,本文介绍了城市交通路况分析的研究背景及其意义,阐述了当前国内外学者基于气象大数据的城市交通路况分析的研究现状。第二,本文介绍了数据资料的来源,阐述了数据预处理方法,并利用相关性分析和PCA方法简单分析了气象因素对道路交通指数的影响。第三,本文阐述了两种道路交通指数回归预测模型:PCA-BP和PCA-ELM预测模型。通过仿真实验结果发现,两个模型均能达到较好的预测效果,其中,PCA-BP回归模型的预测效果更好。但是,对于较大的道路交通指数,两个网络模型的泛化能力较差。第四,本文基于道路交通指数的自相关性提出了改进的PCA-BP和PCA-ELM预测模型,即,I-PCA-BP和I-PCA-ELM。通过模型预测结果发现,I-PCA-BP和I-PCA-ELM模型的泛化能力相比于PCA-BP和PCA-ELM显著提高,道路交通指数预测值与真实值基本吻合。最后,本文为了充分利用道路交通指数的自相关性,建立了基于PCA-LSTM的深度学习网络模型。通过预测结果发现,与I-PCA-BP和I-PCA-ELM预测模型相比,该模型显著提高了对较高交通指数预测的泛化能力,并且表现出更好的道路交通指数拟合效果。