在高速公路交通系统中,准确及时的收费站下道流量短时预测可以为高速公路交警部门合理指挥车流量分流提供决策依据,从而有效缓解各个收费站的拥堵情况。同时收费站运营部门可以根据各个收费站下道流量预测情况,合理安排收费站开启收费通道的数量以及工作人员数量,从而节省运营成本。对于出行者来说,提前知道路网收费站的下道流量情况有利于合理安排出行线路,提高出行效率。因此,建立准确合适的收费站下道流量短时预测方法,有着重要的现实意义。针对现有研究中,收费站下道流量时空特征分析不足以及缺乏预测模型选择方法的问题,论文分析了收费站下道流量的时间关联性和空间关联性,从而建立时间关联层面和空间关联层面的下道流量短时预测模型,然后建立了预测模型选择方法,从时间关联层面的预测模型和空间关联层面的预测模型中,选择合适的模型对特定收费站进行下道流量预测。论文主要内容包括:（1）多时间尺度LSTM融合神经网络下道流量预测方法。现有时间关联层面的预测模型大多只在单一时间尺度的下道流量统计序列进行分析建模,忽略了不同时间尺度的统计序列之间的关联性。本文在分析不同时间尺度的交通流量统计序列相关性的基础上,搭建融合神经网络,通过融合不同时间尺度序列上的特征信息,提高目标序列的预测精度。实验结果表明该模型相比于与单一时间尺度下的LSTM神经网络模型、支持向量机回归（SVR）模型,有着更好的预测精度。（2）考虑路段车型流量的下道流量预测方法。现有下道流量OD预测模型都是静态考虑OD之间的行程时间,同时在确定流量转移比例时未考虑实际车流量状况。本文在分析OD行程时间变化,以及转移比例与路段车型流量关系的基础上,动态选取上游O点流量统计时间段,并且通过衡量车型流量相似度来确定当前流量转移比例,从而建立改进的OD预测模型。实验结果表明,本文提出的改进方式有效提高了传统的OD预测模型的预测精度。（3）基于特征参数的收费站下道流量预测模型选择方法。现有研究大多是旨在提高某一个预测模型的预测精度,忽略了不同类型的预测模型在不同收费站点的预测精度不同的问题。本文通过分析预测模型的特性,提取收费站流量时空特征参数,建立了预测模型选择方法。实验结果表明,该方法能准确地为特定的收费站选择预测精度更高的预测模型。