近年来,随着交通需求的不断增加,出现了一系列交通问题,尤其是交通拥堵问题。为了有效地缓解这一问题,智能交通系统(ITS)被广泛应用于动态交通管理中,预测交通流量的问题一直是智能交通系统的研究重点。如果能够预测一个地区的车辆流动情况,那么可以通过利用应急措施来预防和管理。同时,交通流预测问题又非常具有挑战性,因为它受到许多复杂因素的影响,如区域间交通,事件和天气。因此,如何融合各领域数据资源,完善交通资源配置,提高道路交通效率,保证交通质量,保障交通系统安全成为亟待解决的问题。在此背景下,本文针对交通时空数据特点,提出了一种预测交通流量的方法,是基于深度学习来预测。首先,全面总结现有的交通流量预测方法并进行比较;其次,对交通流预测中涉及到的基本定义、参数进行详细阐述;再次,详细介绍了机器学习和深度学习理论,为后续建立模型奠定理论基础;然后,采用深度学习中的CNN、LSTM作为基本网络结构,并对其进行组合得到新模型来对交通流进行预测;最后,利用北京市2015年的出租车出行数据来对模型训练、测试。通过与其他方法进行对比可说明,基于CNN组合LSTM的交通流预测模型的均方根误差(RMSE)更低,均方根误差为20.03,说明CNN组合LSTM能够有效地捕获交通数据中的空间特征与时间特征,并能对其进行准确的预测。