交叉口是城市交通网络的瓶颈点,提升交叉口运行效率(特别是交通拥挤条件下)是交通管理的现实需求,也是智能交通系统的研究热点。通过短时交通流量预测掌握未来交叉口的交通需求,是对城市交叉口进行有效管理与控制的基础。传统的短时交通流量预测模型由于数据量不足以及对交通流量的空间相关性考虑较少,导致其预测精度较低。深度学习的发展为交通短时需求预测问题提供了新的解决思路,其中长短期记忆网络(LSTM)模型对长时间序列数据学习能力较强,基于LSTM的短时交通流量预测结果精度较高,具有良好的应用前景。但是,该模型对历史数据依赖性很强,且没有考虑到短时交通流量的空间相关性,因此具有一定的局限性;而排队网络模型可以对车辆经过交叉口的过程进行模拟,揭示车辆通过交叉口的运行规律,可以有效描述短时交通流量的空间相关性。因此,为考虑短时交通流量预测模型的时间相关性和空间相关性,基于现有研究成果,本文引入深度学习中的LSTM以考虑交通流量的时间相关性;引入排队网络模型以考虑短时交通流量的空间相关性。通过融合长短期记忆网络模型与排队网络模型可以有效提高预测结果精度。本文首先基于江苏省昆山市智能交通系统获取了部分交叉口进口道的交通流量数据,并对该数据进行预处理;其次,基于预处理之后的流量数据,构建了基于LSTM的城市交叉口进口道短时交通流量预测模型,通过与其他短时交通流量预测模型对比分析,验证了模型的有效性;之后,搭建了基于LSTM模型与排队网络模型的综合离线预测模型。最后,以江苏省昆山市前进东路黑龙江路西进口道短时交通流量为实例进行了案例分析,通过平均绝对误差(MAPE)确定动态权值,得到最终的流量预测结果。通过实例分析可知:基于LSTM模型与排队网络模型的综合预测模型的预测精度为94.65%,高于LSTM预测模型(精度90.66%)以及排队网络预测模型(精度85.55%),与实际值的MAPE为5.35%。该结果表明LSTM与排队网络模型预测结果精度高。