为了缓解社会经济飞速发展带来的道路通行压力,智能交通系统被高度集成应用于交通控制过程。拥堵状态下道路流量的精准预测分析对交通系统实现交通诱导分流、降低安全风险和提高运行效率具有非常重要的作用。然而,目前短时交通流量预测主要对时间序列特征信息进行单一预测,缺乏对交通流量的高维特征信息提取进而降低预测的精确度。针对上述问题,本文基于深度架构的思想对通勤高峰期交通流量进行预测。通过“差分数据图”处理,利用图像处理领域应用广泛的深度置信网络与卷积神经网络提取交通流量的时空特征,在这两种网络顶层连接支持向量回归优化网络结构,结合长短时记忆网络对缺失数据的补全,进一步提高交通流量预测的精准度。本文的主要贡献如下:(1)基于对正常工作日交通流数据进行“差分数据图”概念的构建,提出了应用DBN和CNN网络进行交通流量的预测,分别在DBN和CNN的顶层网络连接SVR层进行回归预测来提高预测精度。实验结果表明,两个深度网络顶部连接SVR后的卷积神经网络模型对交通流预测的准确率显著提升,均方误差分别降低了0.003和0.036,预测精度分别提高了3%和19%。(2)考虑到原始缺失时间序列的补全,设计了一种基于LSTM的缺失数据预测模型。该模型通过学习历史数据间的潜在关联和影响,对缺失数据的预测得到很好地预测效果,并融合上一步的预测效果最显著的模型进行最终交通流量预测。数据集评估结果显示,LSTM模型对缺失数据的预测精度提高了3%,结合(2)得到的数据进行(1)中DG-CNN-SVR模型预测相比于(1)中的预测精度提高了0.5%。本文提出基于深度框架的组合模型预测方法能够进行短时交通流量的精准预测,为合理高效的道路系统管理提供了理论支撑。