交通流预测作为城市智能交通系统实现交通诱导功能的重要支撑技术,是缓解交通拥堵及其引发相关问题的关键所在。近年来,深度学习方法因其强大的非线性拟合和深层特征表达能力,在交通流预测方面受到越来越多的关注。本文基于交通数据独特的时空特性,在能够使用的不同数据量条件下,结合不同深度学习方法的特点,尝试构造更有意义的输入特征,来对交通流预测问题进行研究,主要工作及研究内容如下:1.爬取网站上的实时交通数据,并对缺失和异常的部分进行识别和修复,提高数据质量。分析和总结了交通流的时空相关性,不仅在空间上与相邻道路存在关联,而且在时间上具有临近性、周期性和趋势特征。2.当历史交通数据有限、只考虑交通流的临近性时,输入的序列长短对模型表现有重要影响。针对交通流时空特征选择上大多依靠经验设定而缺乏理论支持的问题,提出基于时空强相关和LSTM的交通流预测方法。结合交通流不同时滞和空间(相邻道路)特征的预测能力强弱,构造时空强相关矩阵,并将矩阵以时序形式输入到LSTM网络中,来学习交通流的时空变化规律。最后,通过实验表明该方法具有较低的预测误差,能有效降低冗余特征的干扰。3.当历史交通数据相对充足时,交通流的时空特性才能被更充分利用。针对现有方法较少考虑交通流的周期和趋势特征、难以解决交通流长期依赖的问题,借鉴CNN识别图像的思想,提出基于多通道时空卷积神经网络的交通流预测方法。将结合空间特征的交通流临近性、周期性和趋势性,分别作为图像的不同通道输入,设计多层CNN来捕获输入范围内的全局信息,同时学习交通流在时间和空间上的深层依赖关系。最后,通过实验表明该方法具有较高的预测精度和稳定性。