高效、准确的交通流预测有助于缓解交通拥堵,提高通行效率.为充分提取数据中的交通特征,提高交通流预测精度,本文利用城市路网交通流量数据,从重构模型输入与交通流分解两方面出发,提出两种交通流预测组合模型,具体研究内容如下:基于城市道路单个交叉口的历史交通流量数据,提出基于相似性度量的交通流预测模型:FLW模型.首先,利用动态时间规整（Dynamic Time Warping,DTW）算法度量不同交通时间序列间的相似性,结合模糊C均值（Fuzzy C Means,FCM）聚类算法划分交通变化模式,并计算每个数据点属于各类别的隶属度.其次,在每类交通模式下分别构建长短期记忆（Long Short-Term Memory,LSTM）神经网络子模型,并预测未来交通流量.然后,利用隶属度矩阵对子模型的预测值进行加权,以得到最终的预测结果.最后,实例部分对单一模型及组合模型进行比较,结果显示,所提方法具有更小的预测误差,且残差波动变化较小.该方法能够准确识别数据中的相似特征,减小预测误差,提高预测精度,可为城市道路交通流预测问题提供理论基础.基于城市路网交通流量数据,提出基于残差处理的交通流预测模型:LSTMARIMA模型.首先,利用Pearson相关系数来分析不同检测位置之间的相关关系,并对路网数据建立LSTM预测模型,同步预测路网中所有检测位置的交通流量.其次,对LSTM模型的残差进行平稳性和白噪声检验,当残差被检验为非白噪声时,进一步利用求和自回归移动平均（Autoregressive Integrated Moving Average,ARIMA）模型对残差进行分析预测.然后,融合LSTM模型与ARIMA模型的预测值,以优化LSTM模型的预测结果,提高预测精度.最后,实例部分将数据分别聚合成5 min、10 min及15 min,并对交通流量进行预测.比较所提模型与基准模型的预测误差,验证残差处理的必要性及组合模型的优异性.结果显示,相比基准模型,所提方法的预测值更加接近真实值,预测精度更高.该方法通过充分提取残差序列中的交通信息提高预测性能,在城市路网交通流预测应用中具有一定的实用性.本文基于城市路网交通流量数据,提出两种组合预测模型,分别实现单个交叉口的交通流量预测及路网交通流量同步预测.实验结果表明,与基准模型相比,所提方法预测误差更小,预测效果更好,在城市道路交通流预测中具有一定参考意义.