如何科学有效地提升道路交通管理及拥堵治理水平已成为全国各大中城市亟待解决的重点任务。交通流预测被视为其中的一项关键基础环节。深度学习理论与神经网络模型的发展为研究交通流预测问题提供了更多的建模思路。本文围绕短时预测和长时预测两个方面,结合序列数据的深度神经网络模型理论,旨在提出更为合理、精准、稳定的交通流预测深度神经网络模型,为交通诱导控制、出行信息服务以及规划管理数据支持等方面提供基础。首先,本文针对交通流预测问题,通过对研究背景与意义、国内外相关研究现状进行梳理总结,得出短时预测判别式建模、长时预测推断生成式建模的思路,并给出本文的研究目标和技术路线,并对交通流预测问题建模所涉及的深度神经网络模型理论进行阐述。其次,本文根据路网交通流数据集的数据质量情况对预处理操作进行说明,并在交通流基本统计特性的基础上,利用相关性指标对路网交通流的时变相关性进行分析,并构建相应的定量指标对路网交通流空间异质性进行分析。分析结果为后续交通流预测问题建模提供了一定的理论依据。然后,本文将交通流短时预测与判别式建模理论结合,定义了交通流短时判别式预测问题,并归纳出相应的问题关键点。在此基础上,提出了基于时空信息聚合的多步预测神经网络模型(简称为GCGRUatt模型)。其中,模型以时空图结构数据的形式看待路网交通流数据,在循环结构的深度神经网络基础上,融合谱图卷积操作,并利用注意力机制加强模型对时间依赖关系的学习,实现了路网级别的短时交通流多步预测。通过实例分析验证,该模型在60min以内的多步预测准确度和稳定性均优于其他短时预测模型,且具有一定的可解释性。最后,本文将交通流长时预测与推断生成式建模理论结合,定义了交通流长时推断生成式预测问题,并归纳出相应的问题关键点。在此基础上,提出了基于状态空间推断的时间序列生成网络模型(简称为Sequence VAE模型)。其中,通过修改多层感知机的结构实现概率分布估计和采样的操作,并利用变分推断构造模型训练的目标函数,使得模型可以学习序列数据的某种抽象状态分布,且各时段的交通流序列可以由状态空间变量的分布采样生成。通过实例分析验证,该模型在任意时刻外推24小时的长时预测结果优于其他模型,且具备一定的可解释性,也进一步说明推断生成式模型在长时预测问题上的优势和潜力。正文图55幅,表14个,参考文献89篇。