为了解决日益严重的交通问题,发展可持续的交通,智能交通系统、智慧交通等概念不断的提出,并在近些年得到了探索和实践。随着数据采集、人工智能等软硬件技术的不断发展,如何利用海量的交通数据来挖掘复杂交通系统的内在规律成为关键问题。近年来,以交通数据为研究对象的采集、分析、挖掘以及预测逐渐成为交通领域的研究重点,并在精细化交通组织与诱导等方面发挥了关键作用。基于以上背景,本文以交通时间序列数据为研究对象,利用机器学习、复杂网络理论、深度学习等方法分别进行数据的修复、挖掘和预测。主要工作如下:首先,对国内外关于复杂网络在交通领域的应用、时间序列数据分析以及交通流短时预测等内容的研究进行梳理和阐述,并在此基础上确定本文的研究方向,设计论文的研究路线。其次,提出了改进的数据预处理方法。交通系统是一个复杂、开放、充满不确定性的系统,采集的交通数据往往受到检测设备、采集环境和交通事件等因素的影响而存在缺失、噪音的情况。本文在考虑数据特征和交通状态等因素的基础上,利用机器学习的相关理论分别提出了基于聚类算法的单变量数据填充方法和基于残差预测的多变量数据填充方法。再次,构建并分析了交通时间序列数据的复杂网络。引入相空间重构（Phase Space Reconstruction,简称PSR）和自适应网络密度方法将交通时间序列数据构建为复杂网络,验证了网络的无标度特性,分析了网络结构与交通状态的对应关系,以及网络节点聚类系数和介数之间的关联性,定量的给出网络中重要节点的识别方法,并在此基础上将关键节点定位到对应的交通时间序列的关键时间窗,可以为精细化交通管控措施的实施提供参考。最后,构建了短时交通预测模型。详细阐述了长短期记忆神经网络（Long Short-Term Memory,简称LSTM）的算法结构,论述了该算法结构在处理时间序列数据的优越性,为建模预测奠定理论基础。结合相空间重构和长短期记忆神经网络,构建了PSR-LSTM短时交通预测模型,并详细说明了模型的网络结构和预测流程。选取支持向量回归、极端梯度提升树、多层感知机等典型机器学习算法构建两组对照实验,分别进行速度预测和通行时间预测,实验结果显示:本文提出的PSR-LSTM短时交通预测模型在平均绝对误差等多项精度指标上表现更优,模型的预测准确率更高。