最近几年,由于中国经济飞速发展,机动车保有数量快速增长,交通拥堵成为城市顽疾,为有效支持居民出行路径选择、城市交通管理部门如何进行交通控制和出行诱导,以及对未来道路交通流量的预测成为研究人员探究的热点问题。短时道路交通流量是实现智能交通的重要内容,其本身具有实时性和非线性,传统方法预测难以取得好的效果,基于此,本文主要研究了基于深度学习的短时道路交通流量预测模型和交通路网流量,研究内容如下:首先,将粒子群算法进行改进,再优化最小二乘支持向量机算法参数(IPSO-LSSVM)来对短时路径交通流量进行预测,运用混沌思想初始化种群,采用变权组合算法优化粒子的局部搜索和全局搜索能力,以贵州省贵阳市云岩区黔灵山路交通流量时间序列为研究对象,进行了对比验证和仿真分析。发现尽管可以准确预测该路径交通流量但单个路径的流量预测解决不了交通走廊堵塞难题,基于此,交通路网的流量预测和流量调控尤为重要。其次,为了进一步提高道路交通路网流量预测的精确度,充分利用道路交通流量的空间相关性,提出了生成对抗网络预测模型,利用非合作博弈-“极大极小”均衡的思想,使得预测模型对数据处理结果逼近真实交通路网流量数据的分布,从而提高道路交通流量预测的准确度。最后,流量预测是手段,路网流量优化平衡是关键,基于前面的预测结果,利用经济学中的价格杠杆理论和理性经济人假设,使用路网路径收费手段来实现路网流量的最优分配。进一步,为了区别计划性出行和非计划性出行,最大程度增加社会福利,只针对道路交通流量中的非公交车部分进行路网流量的调节控制收费,建立了以路网出行者整体出行成本最小为目标函数的混合整数线性规划模型,依据权威数据进行了算例仿真分析,仿真结果表明所提调节控制收费策略能够实现交通流量的最优分配,降低出行成本并减缓拥堵,该策略是可行的优策略。