短时交通流预测是智能交通系统领域的热点研究方向之一,同时也是实现高效的动态交通诱导系统和主动交通控制系统的关键基础技术。精确的短时交通流预测能够为管理者制定有效交通控制策略提供依据,同时也为出行者的最优出行路径选择提供支撑,是有效缓解城市交通拥堵,提高城市路网运行效率的重要保障。然而由于传统交通流探测器采集的交通流数据质量不高,短时交通流预测方法存在着预测精度偏低、实时性较弱、对复杂路网的处理能力不足等缺陷,特别是面对梅雨季等复杂自然环境时,预测精度往往更低,成为短时交通流预测方法在实用化进程中亟需解决的问题。在此背景下,本文提出一种基于深度学习的梅雨季城市路网短时交通流预测方法。首先,通过基于浮动车GPS的动态道路交通数据采集技术,采集梅雨季城市路网的交通轨迹数据。其次,利用“四步骤”交通轨迹数据预处理算法,对交通轨迹数据进行深度清洗。同时,提出一种基于改进点到线的地图匹配算法,借助Google Geocoding API解析工具,将有效的交通轨迹数据与电子地图实现车路匹配。然后,提取出研究路网所有目标路段的速度时间序列,并将速度参数映射到路网上保持交通流的时空特性。最后,为深入挖掘梅雨季城市路网交通流的时空特性,本文利用机器学习中较先进的深度学习方法,对传统CNNs进行优化,针对梅雨季城市路网交通流的空间特性,提出一种多卷积层和池化层的DCNNs模型,并将其与对时间序列敏感的GRU神经网络模型融合,提出一种DCNNs-GRU深度网络模型,实现梅雨季天气条件下的短时交通流预测。为验证所建立模型的有效性,本文以福州市中心城区路网为研究实例,依托福建省北斗导航与智慧交通协同创新中心科研平台,将福州市海量的交通轨迹数据进行分析处理,提取出交通轨迹数据的速度参数,应用于DCNNs-GRU深度网络的短时交通流预测模型验证,并与ARIMA、LSTM和GRU等经典短时交通流预测模型的预测结果进行对比分析,实验证明,基于DCNNs-GRU深度网络的短时交通流预测方法可行、有效,在梅雨季天气条件下能够提取出城市路网交通流之间的时空特性,其预测精度也优于经典的短时交通流预测模型。