21世纪以来,随着人口的不断增加,交通拥堵已经成为各大城市普遍存在且急需解决的问题,改善和优化交通控制方法是解决交通拥堵问题有效的方法之一。随着科技的不断发展和对机器学习领域研究的不断深入,深度学习和强化学习等新的研究方向不断地被运用于解决各种实际问题,城市智慧交通控制的研究也因此迈向了新的发展阶段,设计并开发基于深度学习和强化学习的更加高效的智能交通控制系统具有重要的意义和研究价值。本文研究内容如下:首先,交通流量作为交通控制系统的重要组成部分,可以很好的为智能交通控制提供参考性依据,本文提出一种基于ALO-LSTM的交通流量预测算法。城市交通流量数据在时序上具有一定的特征规律,因此本文使用LSTM神经网络模型来建立交通流量预测模型。在建立预测模型过程中,针对神经网络参数初始化的随机性导致预测模型训练效果不佳的问题,利用蚁狮优化算法ALO对LSTM模型的初始参数进行优化,ALO算法具有良好的全局搜索和优化能力,可以加快预测模型收敛的时间,提升LSTM预测模型的性能。通过实验分别用LSTM和ALO-LSTM算法对交通流量进行预测,并分析算法的有效性。其次,针对基于强化学习的交通信号控制方法中存在的状态空间爆炸以及复杂路网中的多路口协作问题,提出一种基于协作式深度Q学习的多路口交通信号控制方法。通过建立城市交通信号控制模型,利用深度强化学习发掘交通状态中的内在信息,直接从高维数据中学习到有效的控制策略,综合考虑路口自身的交通状态数据以及邻接路口的影响,通过神经网络训练得出当前路口信号灯的最佳执行相位。同时,在学习过程中利用经验回放机制和目标网络的策略来提高学习算法的稳定性。在GLD仿真平台下,通过实验在不同拥堵程度的仿真路网环境下验证算法的有效性。最后,针对深度强化学习在训练过程中由于需要不断试错导致迭代求解过程非常费时的问题,将启发式Q学习与深度强化学习相结合,提出一种基于启发式深度Q学习的多路口交通信号控制方法。结合城市路网环境中的交通流量数据来确定启发函数,在深度强化学习的动作选择阶段,利用启发函数来引导agent对状态动作空间的探索,加快算法的学习速率。通过实验在不同拥堵程度的仿真路网环境下验证算法的有效性。