随着城市化进程的不断加快,城市交通路网中交通工具日益增长的速度,远远快于路面交通基础设施建设的速度,由此引起空气污染、交通事故、能源浪费等问题的发生,将带来严重的经济损失和人员伤亡。为缓解交通拥堵、提高交通运输效率,构建智能交通系统的想法被提出,而短时交通流预测是交通预测和诱导的关键问题。有效的交通流预测为交通管理者提供可靠的决策支持,极大程度地避免城市交通拥堵问题的发生。现有的交通流预测模型大多依赖于捕获交通流的时间特性,并据此预测交通流量。然而,交通流是随时间和空间变化而变化的,其本身既具有时间相关性又具有空间相关性。本文将挖掘短时交通流的时间特征和空间特征,将两者结合起来。综合图卷积神经网络和门控循环单元的优势,建立交通流预测模型。由于交通流数据在采集过程中可能常常伴随着噪声,噪声的存在往往会掩盖信号本身所要表现的信息。对此,首先将小波分析方法应用于对原始交通流数据的降噪,滤除噪声干扰可能对原始交通流变化的影响,以揭示其真实的变化规律。首先应用小波分析的方法对数据进行消噪处理,去除原始交通流数据的噪声干扰,处理后的数据更能揭示交通流真实的变化规律。然后分析各节点之间的关联,计算各节点之间的距离系数和最大信息系数求得一个综合系数矩阵,用于表征道路网络空间拓扑结构各节点之间的连接情况。各观测点采集到的交通流数据作为网络节点的属性特征,两者一起作为图卷积神经网络的输入,利用图卷积神经网络捕捉交通流的空间特性,使用门控循环单元挖掘交通流的时间特性,结合这两种深度学习方法所得到的输出即为交通流的预测值。使用图神经网络对原始交通流数据进行空间特征学习,再使用门控循环单元对得到的交通流序列进行时间特征学习,可以更彻底地捕获到交通流数据的深层特征,减小预测误差。为证明本模型的合理性和准确性,本文基于真实的Highways England上的交通流数据集进行验证,并与使用经典预测方法的预测结果进行对比分析。实验结果表明,相较于常见的单一网络预测方法,使用混合神经网络预测模型对交通流进行预测,所得到的预测效果更好,预测误差更小,准确度较高,且模型的可解释性较强。