城市大脑的建设和城市大规模的联网,使得城市的管理者可以汇集的海量车辆通行记录信息,可以实时掌握着城市中车辆的位置信息、小区的停车信息,利用人工智能深度学习能够预测交通流量变化。在已有模型的基础上,提出利用机器学习中深度学习方法建立交通网络和交叉口的预测模型。以我国交通安全状况为研究对象,具体以苏州工业园区的交通网络和交叉口为实例,尝试利用深度学习的方法,通过对原始采集到的交通网络和交叉口数据进行科学分析,对交通网络和交叉口流量进行预测,对交叉口的绿信比、时长、周期、相位相序给出配置的合理建议。充分利用有机器学习预测得到的交通参数,为交通信号控制设备调控交通信号提供准确的依据。LSTM通过刻意的设计来避免长期依赖问题,基于以往五个单位的数据基础预测下下一个单位的道路的平均运行时间、平均车速、总运行车辆数。其中运行时间、平均车速最能够体现某条道路的实通行能力,为车辆选择道路提供最为可靠的参考。交叉口交通信号时段划分算法,涉及的交通参数多,应用性高,可以综合考虑关键节点,道路条件、相位搭接等因素,进一步改进本文的优化算法,提出更加合理的时段划分算法。本文的研究数据依托于苏州工业园区的真实交通数据,其部分研究成果已经初步运用到实际的交通管理当中去,取得了不错的成绩。对于单一交叉口,使用LSTM模型预测的数据,进行交通信号配时分时段划分。城市交叉口数目众多,可以通过合理化地分类算法,对交叉口进行分类,进而对每一类交叉口统一管理或者分配交通管理方案,提高交叉口通过效率。本文通过使用划分聚类分析的算法,使用实时数据,对苏州工业园区的107个交叉口进行分类,通过建立相异性函数,衡量聚类中交叉口的相似性。最终将苏州工业园区107个交叉口分为三类,每一类都对族群内各个交叉具有较高的相似性,对族群外的交叉口差别较大。