当前,交通拥堵已成为各大城市的“通病”,由此引发的交通污染、交通安全等问题也严重困扰着城市的发展。ITS作为缓解交通拥堵的有效措施,近年来越发受到重视。作为ITS的重要功能,交通控制与诱导能够从微观意义上调整交通管理控制方案,其调控策略的成效就依赖于短时交通流预测的结果。本文针对快速路交通流特性,提出基于时钟循环神经网络的多车道短时交通速度预测模型,并在此基础上渐进式地完善模型,兼顾预测精度与效率,为准确高效的快速路管理控制提供思路。首先,梳理短时交通流预测的研究现状,阐述实验样本数据并对其进行交通流特性分析。一方面,针对交通流数据进行简单整合,分析三参数基本特性;另一方面,利用Pearson系数从时间和空间两个维度分析相关性,分析结论可用于后续的数据修复及预测建模过程的输入集构造。基于交通流自身特性提出预测建模应遵循精确性、高效性及灵活性的建模原则。其次,阐述交通流数据预处理流程。通过将原始数据中的“脏数据”划分为数据缺失、数据冗余和数据错误三类,利用规范时间戳和交通流理论的识别方法将其判别剔除。针对缺失数据,提出一种基于时空RBFNN的车道级数据修复方法,以北京市三环快速路的速度数据为例,验证该方法的修复效果。然后,为兼顾预测精度与效率,首次引入时钟循环神经网络（CWRNN）用于多车道短时交通速度预测。同时,利用随机森林理论针对输入变量进行重要度计算排序,确定建模的最优回溯时间窗长度,构建一种时钟循环神经网络驱动的多车道短时交通速度预测模型。利用三环快速路多断面多车道的数据进行实例验证,结果表明,该模型多数场景下的精度、稳定性及效率指标都优于其他对比模型。最后,为进一步提升模型在多步预测时的精度表现,引入Seq2seq思想,构建基于Seq2seq的短时交通速度多步预测模型。利用三环快速路数据针对不同输入变量进行实例验证。结果表明,在输入单变量的情况下,引入Seq2seq框架能够有效提升多步预测的精度;在输入多变量的情况下,加入流量数据能够使输入变量包含更为全面的交通流信息,继续增加注意力机制能够使模型更擅长应对多输入变量的复杂问题,进一步提升精度。同时,实验结果也肯定了引入Seq2seq思想对提升短时交通流多步预测精度的有效性。图51幅,表14个,参考文献77篇。