随着社会和经济的不断发展,人们对于交通方面的需求也在逐渐改变,其中精确、实时的道路短时交通流预测不仅可以为路网结构的合理性分析提供数据支持,同时也能使得人们的出行更加便利、高效。因此短时交通流的预测对于交通系统的完善和发展有着十分重要的意义。短时交通流的预测可以看作是一种多因素影响的时空序列预测问题,然而该领域现有的预测方法仍然受到以下数据特征和模型结构的限制:1)交通流数据具有复杂的特征和性质,单一的预测模型往往需要具有强大的特征提取能力以及复杂的计算过程,构造过程十分复杂;2)对交通流数据预处理工作不足,往往导致其中有效信息不能被充分利用;3)模型对于突发事件所造成的异常交通流数据不敏感,造成预测结果精度下降。针对以上问题,本文主要研究内容如下:(1)针对传统预测模型不能充分利用交通流时空维度信息,以及对突发事件造成的异常数据变化不敏感等缺点,提出误差反馈卷积神经网络预测模型并应用于短时交通流的预测。该模型利用卷积神经网络局部感知以及权值共享等优势对交通流时空数据进行高效分析,同时优化了网络的误差反馈机制,使其能够更好地识别异常交通流数据特征,提高预测模型的准确性以及自适应性。(2)针对单一模型在短时交通流预测时表现出的不足,提出了FCM-EFCNN组合模型并应用于短时交通流的预测。组合模型利用模糊聚类算法对交通流模式进行划分,并根据划分结果进行组合模型的构建,利用误差反馈卷积神经网络作为子模型进行短时交通流的预测。通过相关实验表明,本文提出的FCM-EFCNN短时交通流组合预测模型对交通流模式的划分更加符合实际情况,同时组合预测方法在一定程度上可以减小子模型接收到的数据差异,从而更好地识别交通流数据特征,进一步提高模型的预测精度。