交通流量数据是一种典型的具有非线性特征的数据集,同时收集到的交通流量数据由于受多种因素的影响表现出高度随机性。因此,建立基于多因素交互影响的短时交通流量预测模型具有现实意义。本文基于深度学习的方法和模型,利用卷积神经网络和长短期记忆神经网络建立短时交通流量预测模型。主要研究内容如下:（1）提出了一种带有因果卷积模块的TCN-LSTM模型,该模型在特征提取部分由两个子网组成,一是基于原始交通流量数据序列的LSTM子网络;另一是基于“日-周-双周”多时间轴交通流数据的TCN-LSTM子网络,嵌入的因果卷积层（TCN）可以保持输入交通流量数据的因果性。最后,将两个子网络所提取的特征进行融合后输入顶层的全连接层（FCN）,并在FCN的输出层得到未来短时交通流的预测序列。通过实验验证了所提出的TCN-LSTM模型在短时交通流预测时具有较高的精确度和稳定性。（2）改进了一种综合长短期记忆神经网络（Long and short term memory neural network,LSTM）以及卷积神经网络（Convolutional neural network,CNN）的Conv-LSTM混合模型,将CNN网络中部分卷积运算改为因果卷积提高模型对交通流量数据时空特征的提取能力。该模型结构分为三部分:第一部分设计4层卷积网络,将其中第一层和第四层的普通卷积运算改为因果卷积,该部分处理交通流数据的空间特征;第二部分利用一层LSTM提取时间特征;第三部分将前两个网络的输出结果拼接,再次输入LSTM网络将结果输出成一维向量,最后由三层全连接层输出预测结果。通过评价标准以及与其他模型结果对比的方式验证了该模型预测结果的准确度。基于Kaggle平台明尼阿波利斯-圣保罗明尼苏达州西行道路的交通流量数据集和Pe MS数据库中的加州城市干道交通路网数据集,利用绝对平均误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）以及决定系数等4个指标对以上两种模型分别进行评估,并且通过与其他模型相比,验证了所提出的TCN-LSTM和Conv-LSTM模型在进行短时交通流预测时具有较高的精确度和稳定性。