交通流长时预测在城市道路规划和交通政策制定中具有十分重要的作用。但交通流量受到气候、经济、出行等多种因素的影响,其变化是一个随机非平稳的过程,使得长时预测的难度较大。以往的长时预测算法通常需要对数据进行前期处理,如数据补偿、数据清洗和滤波等,预测精度低、抗噪声能力差。深度学习算法提高了传统预测算法的预测精度,且无需对数据进行清洗,但无法充分挖掘数据的内在特征。为解决上述问题,本文提出了融合马尔可夫链,区间二型模糊集和长短时神经网络(Long Short-Term Memory,LSTM)这三个常用算法的组合预测模型对交通流进行长时预测,在挖掘交通流数据特征的基础上获得较好的长时预测效果。主要工作如下:LSTM由于独特的内部门结构在处理时间序列问题时效果突出,因此本文选择LSTM为核心预测算法。交通流量长时预测即预测未来24小时的交通流量,在数据处理部分将一天的交通流量处理成288个5分钟时间段,因此本文LSTM网络的输入层和输出层均设置288个节点。考虑到本文的训练数据为17天工作日的交通流量数据,训练数据量较小,因此设置为单隐层。通过仿真实验发现,当中间隐层节点取为15-20时,预测效果最佳。LSTM的引入大大提高了长时交通流的预测精度,但训练时间长,对交通流时空特征缺乏深层次挖掘,这在一定程度上限制了预测精度。通过马尔可夫链的转移概率矩阵可以得到每天同一5分钟的状态跳变规律,能够充分展现交通流的空间特性。因此本文先通过模糊C均值聚类(Fuzzy C-Means,FCM)将交通流量转化成三种状态的描述,再运用马尔可夫链得到待预测天每个5分钟的状态特征,将其作为LSTM网络的特征输入,通过人为的提取并突出特征,本文构建的预测网络模型预测效果有了进一步提升,训练时间小幅缩短。交通流具有时空二维特性,马尔可夫链在空间上弥补了LSTM网络的不足,在时间维度上却无能为力。区间二型模糊集合能够很好的处理不确定性问题,在处理时间序列预测问题中有着出色的表现。因此本文运用区间二型模糊集提取交通流量的时间特征,解决马尔可夫链提取特征维度单一的问题。迭代自适应网络模糊推理系统(Adaptive Network-based Fuzzy Inference System,ANFIS)用来验证当前时刻的交通流量与之前15分钟的流量具有强相关性,通过构建的二型模糊集的上下限来作为LSTM网络输入门的权重缩放因子,将原本输入数据的权重大小进行人为调整,从而明显的缩短了训练时间,并通过多维度的特征挖掘,使预测精度有了进一步提升。最后本文通过国内某大型城市的实测交通流量数据进行算法验证,验证结果表明,本文所提出的预测模型能够实现较高精度的交通流长时预测。