在交通管理以及公共安全领域,交通流量的预测成为越来越重要的一个研究方向。从微观层面,地图导航APP可以通过实时流量预测推送畅通的路线给用户,节约用户出行时间,提升用户体验。从宏观层面,根据历史位置信息获得的城市区域流量变化情况,由此预测未来时刻城市区域流量变化,这对于城市规划、交通管理以及公共安全有着重要的意义。目前关于交通流量的预测普遍采用的数据是全球定位系统(GPS)定位数据,这类数据定位精确但是覆盖范围以及获取方式有限,一般通过志愿者携带定位设备、或浮动车采集获得。而与GPS数据相比,本文采用的手机信令数据是通过蜂窝通信基站定位系统采集,尽管该类数据定位误差较大,精度较低,但其具有样本量大,获取成本低,实时性,覆盖范围广等特点。因此基于手机信令数据的区域流量提取及预测技术有着重要研究价值以及应用价值。论文首先对手机信令数据的产生原理进行分析。并在此基础上对手机信令数据定位方式产生的误差数据(乒乓切换、漂移、重复值)进行合理有效的预处理。为了刻画区域流量,论文提出了一种基于网格密度的区域流量提取方法。该方法首先对城市区域进行网格化处理,利用网格流量提取算法获取各网格流量。之后根据各网格流量密度特征,对区域生长算法进行改进,获得基于网格密度的区域生长算法,最后利用该算法获得区域流量作为后续流量预测模型输入。其次,论文在分析手机信令数据的时序特征的基础上,结合区域流量提取结果,综合考虑神经网络在时间序列预测方面的优势,论文提出了利用LSTM循环神经网络建立区域流量预测模型。论文对LSTM神经网络进行了改进,除了输入层、隐藏层、输出层之外,通过增加一层网络结构用以输入城市区域的空间特性,改善流量预测效果。最后,论文采用真实的手机信令数据进行实验验证,将本文所提出的预测模型与传统的时间序列预测模型进行对比。论文的实验分析结果表明,与传统的流量预测模型相比,基于LSTM循环神经网络的区域流量预测模型的预测精度有所提升。论文的相关分析工作对后续深入研究基于手机信令数据高效的区域流量预测技术具有一定的参考和借鉴价值。