伴随着我国的城市化进程,在城市交通设施日益完善的同时,机动车保有量急剧攀升,城市道路网承受着巨大的压力,致使城市交通拥堵、环境污染等问题逐步加重。智能交通系统(Intelligent Traffic System,ITS)凭借其先进的科学技术手段已经成为减缓交通拥挤和满足出行者意愿的最有效途径之一,其核心功能是实现交通控制与诱导,而实时、高精度的短时交通流预测是提升诱导能力及道路管控的前提。通过对短时交通流预测的国内外研究现状进行梳理,得出现有的交通流预测模型鲜少考虑不同断面的局部预测效果,难以解决波动剧烈的交通流所带来的精度不稳定问题。因此,本文在研究路段整体预测效果的基础上,进一步确定以快速路的不同断面交通流为研究对象,更好地满足局部预测精确化的要求。首先,对城市快速路的交通流特性进行了重点剖析,详细讨论了交通流三个基本参数的时空特性,并在阐述微波检测器采集快速路交通流数据的技术原理的基础上,提出了一种基于统计相关分析的故障数据修复模型,为下文所建立的交通流量预测模型提供数据支撑。其次,基于交通流的时空特性及可预测性,在阐释深度学习理论的基础上,建立了一种基于时间卷积网络(Temporal Convolutional Network,TCN)的快速路交通流量预测模型,该模型重点结合了卷积神经网络(Convolutional Neural Network,CNN)的优点并规避了循环神经网络(Recurrent Neural Network,RNN)的缺陷,避免了任何历史信息的遗漏。实验结果表明,TCN模型可对路段整体实现较高精度的快速路交通流量预测,且整体预测性能均优于处理时序性任务的经典预测模型。最后,针对模型预测精度因样本容量变化而难以维持稳定性的问题,在上述研究的基础上,引入集成学习和特征工程的思想,构建了一种基于Boosting融合的交通流量预测模型,将传统数理算法、随机森林模型和时间卷积网络模型作为子预测模型进行集成式学习,对交通流量数据进行特征的提取与选择,重点研究了融合模型对于不同断面的局部预测效果。实验结果表明,与其他单一模型相比,融合模型不仅对整体预测效果得到了大幅度提升,还实现了高精度的断面级交通流量预测。图42幅,表12个,参考文献73篇。