自20世纪末以来,由于交通路网的建设复杂、以汽车为主的交通工具数量的快速增长,交通流量的变化越来越影响人们的生活,交通流量的不合理疏导甚至会导致交通堵塞和交通事故等问题。短时交通流量的预测对于缓解城市交通问题,提高城市交通运输效率和建设智慧城市都有着积极的作用。针对短时交通流量预测,主要有模拟仿真、回归分析、神经网络等类型的方法。模拟仿真的方法需要对复杂的交通网络建立模型,需要很高的先验知识支持,并且计算代价较大,因此在实际中应用比较困难;回归分析方法主要有自回归模型(AR)、滑动平均模型(MA)和自回归滑动平均(ARIMA)模型等;包括深度学习网络模型中的栈式自动编码机(SAE)和深度置信网络(DBN)在内的神经网络方法也都运用在了交通流量预测任务中,深度学习方法的主要优点是可以利用多层的网络结构优化特征空间,从而使得新的特征更具表现力。如何获取更有意义的特征值成为了目前研究的重点。这些方法一般是依据历史交通流量数据来预测接下来一个时间段内的交通流量,并且大多只针对有少量数据采集点的交通流量进行预测,没有在整个城市区域的角度进行预测。目前普遍运用的智能交通系统(ITS)中,大量的二维城市时空交通数据已经可以获取,并且数据量正在以惊人的速度增长,这就使得整个城市区域的交通流量预测有了更大规模的数据支持,而更大规模数据的产生也使我们面临着更多的挑战。计算机硬件计算能力越来越高,深度学习的方法已经开始得到了越来越多的探索和应用,深度学习方法的高维特征抽取能力对于预测任务有极其重要的意义。我们提出了一种预先特征数据重组并运用在卷积神经网络上的交通流量预测方法,主要特点是:1.通过车辆轨迹数据挖掘路口车流量间的影响因子;2.将路口间车流量的影响因子应用到构建针对短时交通流量的特征矩阵中,即构建拥有时间-空间二维的特征矩阵;3.将卷积神经网络用于预测交通流量,利用其局部感知原理发挥空间因素对短时流量的影响。我们将提出的模型应用到实际的交通数据集中,进行了充分的实验。实验的结果证明了模型的有效性和先进性,在提到的评价指标中已经优于原有模型,具有在实际中应用的价值,并可以在相关领域内迁移应用。