利用历史交通流信息,准确、实时地预测未来交通流信息,对于交通场景的管理和控制、交通出行的诱导与规划尤为重要。短时交通流预测要求存在着预测数据量大、交通流在空间和时间上变化较为复杂的特点,而当前的预测模型无法满足短时交通流预测的实时性与准确性的要求。本文基于短时交通流在时间、空间上的变化趋势和相关性,结合深度学习相关理论,提出了两种交通流预测模型。首先,本文以高速公路的交通流为研究对象,探究交通流基本参数——流量、速度占有率在在时间与空间上的分布规律和变化趋势,以及选取速度为研究对象,分析其时空特性与相关性,从而为本研究提供数据支持。然后,本文介绍了深度学习的相关理论与框架,主要包括神经网络理论和超参数优化理论,以及深度学习模型设计框架Pytorch和超参数优化框架Optuna,从而为本研究做好理论铺垫和技术支撑。最后,本文在Pe MS数据集上进行了基于单检测点的短时交通预测和基于多检测点的短时交通预测实验。首先提出基于单检测点交通流预测的多车道时空卷积和时间注意力网络模型（MSCTAN）,用于捕捉单检测点多车道交通时空相关性;在此基础上将模型推广至多检测点,提出了多检测点时空卷积和时空注意力网络模型（MSCSAN）。针对本文提出的两个模型,均设计对比实验,以平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）为评价指标,验证其在单检测点和多检测点上的表现性能,结果表明,无论是单检测点实验还是多检测点实验,两种模型较对比模型均取得最优的表现。