城市交通拥堵时空影响范围的不断扩大,成为制约城市发展亟需解决的问题之一。动态交通管理通过掌握道路实时状况制定合适的交通管理措施,成为治理交通拥堵问题的有效方式。动态交通管理的前提是动态交通数据,动态交通数据包括短时交通流参数的当前数据和未来一段时间的预测数据。其中,短时交通参数的未来预测效果对实现有预见性和可靠性的动态交通管理决策有重要的意义。为了进一步提高短时交通流参数预测的精度,提供更加可靠的动态交通管理决策依据,本文以感应线圈实测交通流数据为基础,对短时交通流预测方法进行了研究。所做主要工作如下:（1）短时交通流可预测性分析以感应线圈实测交通流数据为研究对象,选取混沌特性和近似熵两个维度分析短时交通流数据的可预测性。一方面,利用C-C方法对交通流时间序列数据进行相空间重构,根据重构后新系统关联维数和嵌入维数的关系,识别交通流混沌特性,基于交通流混沌特性对短时交通流时间序列数据的可预测性进行了分析。另一方面,采用近似熵值衡量了不同时间尺度交通流的复杂程度,基于近似熵值对短时交通流时间序列数据的可预测性进行了分析。（2）短时交通流数据多尺度分解方法为了获取平稳、有序的交通流输入数据,引入了信号分解理论。分别采用经验模态分解、集成经验模态分解、自适应噪声完全集成经验模态分解和变分模态分解四种分解算法,将原始交通流时间序列数据分解为多个不同频率的时间序列,在不改变数据内在特征的前提下,将原始交通流时间序列数据进行了平稳化处理。最后,分别对四种算法分解后的模态分量进行重构,通过重构误差分析了四种算法的分解性能。（3）基于深度学习的短时交通流预测模型构建选用长短时记忆和门控循环单元两种深度网络模型,利用粒子群优化算法对两种网络模型的隐藏层单元数、批量处理大小和学习率等参数进行优化,针对四种分解算法得到的各个模态分量,分别构建了基于长短时记忆深度网络的短时交通流预测模型和基于门控循环单元深度网络的短时交通流预测模型,将各个模态分量的预测结果叠加得到最终预测结果。（4）实例验证分析为验证所构建模型的预测效果,利用某特大城市快速路实测交通流数据进行实例验证。选取平均绝对误差、平均绝对百分比误差和均方根误差作为评价指标,将本文方法的预测效果与传统预测方法进行对比分析,论证了本文方法的有效性和优越性。