随着交通行业不断发展,交通数据快速增长,学者们希望能够利用这些数据为城市交通服务,因而智能交通系统成为未来交通系统的研究方向。而短时交通流预测作为智能交通领域的研究热点,对于交通疏导和路径规划等具有重要意义。为研究短时交通流量预测问题,本文基于深度学习研究了多模式时空融合的短时交通流量预测模型。该模型使用3个组件分别建模交通流变化的近期、日周期、周周期模式特性,每个组件同时结合图卷积计算和循环神经网络来同时捕获交通流数据的时空特性。另外,考虑到交通数据中存在的缺失现象会影响短时交通流量预测性能,文中利用双向门控循环神经网络研究交通流缺失数据填补策略,进一步深化对短时交通流量预测的研究。本文的主要研究工作和贡献如下:1.本文从交通流变化的时空特性出发,提出了一种基于深度学习的短时交通流量预测方法。首先,针对实际路网特性,以图建模路网拓扑发现不同位置间的相关性。其次,针对交通流的时空相关性,考虑到图卷积网络处理空间图结构数据的能力以及循环神经网络描述时序依赖性的优势,将图卷积计算引入循环网络记忆单元,构建时空图卷积循环神经网络来直接提取时空关联特征。最后,针对交通流的多模式特性,基于图卷积循环神经网络建立多组件数据融合模型进行短时流量预测,充分挖掘短时交通流变化特性。2.交通数据的缺失现象使得短时交通流量预测模型分析以及深层次挖掘交通数据特性受到了影响。为进一步深化短时交通流量预测模型,本文提出了一种基于双向循环神经网络的交通流量缺失数据填补方法,尽可能地保证数据的完整性。该方法同时考虑缺失处数据的历史和未来关联信息,通过引入双层双向结构的门控循环神经网络填补缺失数据,实现交通流量序列中缺失数据的有效恢复。最后,在真实交通数据集上进行实验效果评估时,结果表明,本文的短时交通流量预测模型有效地考虑了路网布局和数据多模式特性,获得了较好的预测结果。同时,所提出的交通缺失数据填补方法在一定条件下取得了良好的填补效果,并且经过填补后的交通流量数据在短时交通流量预测中也得到了更好的表现。