随着社会经济发展的加快以及城市化进程的进一步推进,城市交通运输的便捷程度越来越成为制约城市化进程发展的关键因素,如何提高城市交通的效率成为城市化进程中重要的课题。智能交通系统在提高城市交通效率的过程中发挥着巨大的作用,而建设智能交通系统的关键是实现实时准确的交通流量预测。实现短时交通流量预测的关键在于学习其复杂的空间相关性、时间相关性和随机性。本文使用卷积神经网络(Convolutional Neural Network,CNN)来处理不同区域之间的空间相关性,考虑到城市区域较大导致需要的网络层数较深,本文在卷积神经网络中添加残差单元组成的残差神经网络(Residual Network,ResNet);使用3个门控循环单元网络(Gated Recurrent Unit,GRU)来分别处理时间相关性的邻近、日周期和周周期相关性,考虑到每个历史时间段数据对待预测时间段的影响程度不同,本文分别在3个GRU网络中加入为不同时间段分配权值的注意力机制(Attention Mechanism);使用两层全连接网络结合天气数据等额外信息处理短时交通流量的随机性。之后,通过结合三大模块建立完整的预测模型。为了更好地验证空间相关性对预测模型的影响,本文还提出了一种城市功能区识别模型用于对不同区域进行功能区识别。最后,本文基于纽约市出租车历史订单数据和爬虫获取的天气数据对所提出模型进行验证。实验表明,该模型的预测精度明显优于现有的主流预测方法,且相比于前人提出较先进方法ST-ResNet的RMSE减小了1.95,MAE减小了1.3,具有较高的应用价值。