实时、准确的短期交通流预测是交通控制与交通诱导的前提,对交通拥堵的缓解、社会经济的进步有着重要的意义。深度学习的出现为交通流预测提供了新的思路,本文采用深度信念网络(deepbeliefnetwork,DBN)与栈式自动编码器(stacked autoencoder,SAE)两种深度网络分别构建交通流预测模型,通过无监督学习的方式提取交通流特征。然而,DBN与SAE预测模型的训练过程是非常耗时的,不能很好满足交通流预测应用系统的实时性要求。本文提出了一种基于数据并行方式的并行训练策略,分析了并行训练的可行性,推导了并行训练的公式,从而缩短了两种交通流预测模型的训练时间,提高了预测应用的实时性。具体研究内容如下:首先,选取单路段单个断面的交通流量为研究对象,基于两种深度学习网络分别构建交通流预测模型,并完成模型的训练与测试过程。将其测试结果与传统模型的测试结果进行对比。本文选用的传统模型包括BP神经网络(backpropagation neural network,BP-NN)与支持向量机(support vectormachine,SVM)。仿真结果表明,两种基于深度网络的模型预测精度近似,且均优于传统模型的预测结果,这验证了深度学习模型在交通流预测方面的优势。其次,采用相关方法优化预测模型。对于深度网络广泛存在的梯度消失问题,选用修正线性单元(rectified linearunit,ReLU)作为激活函数,代替原先的sigmoid函数。为了防止训练过程陷入局部极小值,在梯度下降过程中加入动量法。对于训练中出现的过拟合问题,采用dropout方法进行消除,提高模型的泛化能力。最后,为了解决上述两种深度学习模型训练过程耗时长的问题,本文提出一种基于数据并行方式的并行训练方法。对训练过程中用到的BP算法与对比散度(contrastivedivergence,CD)算法进行并行可行性分析,推导出两种算法的并行计算公式,并将其应用于训练过程的各个阶段。将训练数据平均分为n份,并分发到n个计算节点,其中1个主节点,n-1个从节点。从节点的作用是利用本地的子数据集进行交通流特征的提取,而主节点除了具有从节点的功能外,还要综合各从节点的计算结果,并将模型参数广播至各从节点。仿真结果表明,采用此并行方式,在预测精度得到保证的同时,减少了预测模型的训练时间。