随着我国汽车保有量的逐年增长,交通拥堵成为了城市发展过程中不可避免的问题。研究表明,治理拥堵的关键不在于建设更多的道路,而在于如何合理利用有限的交通资源来提高城市路网的运行效率。故合理的道路规划、交通信号配时成为了交通管理部门的首要任务,而以上措施的实现都离不开交通流预测技术。通过对未来交通流状态的预测,感知路网中即将发生拥堵的道路,交通流预测技术能够为拥堵治理提供有力的数据支持。针对交通流预测的算法和模型种类繁多,但城市路网复杂的道路结构和交通系统的高度非线性,使得传统的预测方法很难在城市中大规模应用。而以数据驱动的深度学习方法能够较好地解决大量数据处理所带来的时效性以及准确性的问题,有效提取数据之间的复杂特征,从而提高交通流预测的可靠性。鉴于此,本文基于深度学习展开交通流预测方法的研究。首先,为充分利用多源异构的交通数据,设计了一种基于虚拟路网和虚拟时间序列的交通数据融合方法,统一多源交通数据的时空属性,以得到包含更加全面交通流信息的数据集,作为后续模型研究的数据基础。其次,为准确识别交通拥堵,分析了常用交通状态评价指标的特征和适用范围,在此基础上构建了交通压力指数(TSI)和延误指数(Delay)。针对交通流状态划分的模糊性质,采用模糊数学方法,基于上述两类指数对交通流状态进行了模糊综合评价。最后,针对普通LSTM深度学习模型在处理大规模数据时训练速度慢、易过拟合等问题,引入注意力机制构建了双阶段注意力的交通流短时预测模型(DA-LSTM),并基于融合后的交通数据,对模型的预测效果进行了实验,结果证明该模型能够实现多车道对象,多种交通流参数的准确预测,且预测效果优于普通的LSTM和GRU模型。在以上研究工作的基础上,结合用户需求设计了交通拥堵预警系统,以路口拥堵报警的形式,对城市路网中当前发生拥堵和未来可能发生拥堵的路口进行报警。帮助交通信号配时人员快速定位控制方案不合理的路口,更有效地避免交通拥堵的蔓延扩散。