随着社会经济的快速发展,机动车拥有量迅速增加,城市交通拥堵等问题也变得日益严重。为了解决交通拥堵问题,交通部门广泛应用智能交通系统进行交通管理。短时交通流预测不仅是智能交通系统的核心内容之一,也是交通部门实施交通控制和交通诱导的基本依据。如何对短时交通流进行准确预测一直是各国学者研究的热点问题。短时交通流具有随机性、周期性、相关性和非线性等特征,是一种典型的时间序列数据,准确的提取交通流的时序特征是提高短时交通流预测模型的关键所在。近些年来,深度学习的方法因为具有强大的非线性拟合能力和数据的深层特征表达能力,逐渐在交通流预测方面得到了应用。本文研究应用深度学习中具有时间记忆特性的长短时记忆(LSTM,Long Short-Term Memory)算法和门控循环单元(GRU,Gated Recurrent Unit)算法对短时交通流进行预测,主要内容如下:(1)分析了短时交通流数据的时序特征,建立了基于LSTM算法和基于GRU算法的短时交通流预测模型,其中预测模型的网络结构和相关参数经过实验对比分析得到。此后,对该两种预测模型进行了仿真实验,结果表明这两种短时交通流预测模型能够较好的挖掘交通流量数据的时序特征,并能对未来交通流量进行比较准确的预测。(2)为了进一步提高基于LSTM和GRU的短时交通流预测模型的预测精度,应用深度学习中的注意力机制(Attentionmechanism)方法对其改进,分别建立了基于LSTM-attention和GRU-attention的短时交通流预测模型。通过多次使用Attention机制对模型中的多个隐藏单元进行计算,积极关注交通流量预测中的关键信息,使得整个网络结构能够自适应的分配权重,进而提高交通流预测模型的预测精度。经过对比实验表明,使用Attention改进的预测模型的预测精度较原模型有较大的提高。(3)针对单一交通流预测模型存在的预测精度不高和易产生过拟合等问题,采用最优加权法建立了基于LSTM和GRU的短时交通流组合预测模型和基于LSTM-attention和GRU-attention的短时交通流组合预测模型。经过组合预测模型与单一预测模型的对比实验表明,两种组合预测模型的预测精度分别高于其单一预测模型。