交通拥堵作为全世界亟待解决的重要问题之一,越来越受到国家与政府的关心与关注。智能交通系统是当今社会解决交通出行问题的又一创新方式,其将先进的科学技术应用于道路交通系统,旨在从监测、预警、诱导等多方面解决交通拥堵问题。智能交通系统中最重要的一环是交通流预测,高效、实时、准确的交通流预测能够有效缓解城市道路出行状况,一方面可以为人们日常出行提供可靠的交通诱导信息,降低高峰出行的可能;另一方面也可为政府等道路交通管理部门提供高可靠的决策依据,实现城市道路的优化设计。虽然现有的交通流预测方法与理论已经取得较好的结果,但是考虑到交通流是受多种因素影响的复杂时间序列,以及混合网络结构强大的特征提取能力,且将这些方面相结合的研究相对较少,因此,本文从交通流基本理论入手,对交通流预测模型展开了研究,主要工作如下:1.对交通流基本概念进行了论述,分析了交通流的基本特性,探索各特性对交通流产生的影响。对经典的交通流预测理论进行了回顾,探讨了交通流数据预处理技术存在的问题以及处理步骤。2.针对交通流受天气因素影响以及交通流数据呈现出序列数据特征,提出了基于天气加权因子与队列混合神经网络的交通流预测方法,使用相关系数法进行天气加权因子模型的构建,引入队列单元进行混合神经网络搭建。最后采用15分钟数据集进行模型的训练以及预测,预测的结果与同类别的T-LSTM、T-GRU、T-Bi-LSTM模型相比,本文提出的模型在准确率方面优于其他模型。3.针对交通流具有很强的时空特性且Bi-LSTM网络与Conv-GRU网络分别在时间与空间特征提取上的优势,提出了基于时空分析与混合深度网络的交通流预测理论。首先对交通流的周期相似性进行了定量分析,使用图论理论建立路网站点邻接矩阵。然后采用Bi-LSTM网络提取交通流时间周期性特征,使用Conv-GRU网络提取交通流空间特征。最后,对特征提取结果进行融合处理。实验结果表明:此模型时空特征提取能力优势明显,对比现有的相关模型,有效提升了预测的准确率。