随着城市化水平的提高和经济快速发展,交通需求迅速增加,交通拥堵问题在全球范围内日趋严重,已然成为困扰全球的交通难题。为了缓解城市交通面临的压力,全球很多城市纷纷采用智能交通系统来指挥交通,化解城市拥堵。智能交通能够在现有交通路网供给条件下有效缓解交通拥堵,而实时、高精度的短时交通流预测是智能交通系统的关键技术之一,也是智能交通实现的前提与基础。提高短时交通流预测精度,对丰富城市道路交通理论体系、提升智能交通整体应用具有重要的里程碑意义和实用价值,可为交通管理者进行有效地交通疏导起指导作用,为交通出行者把握实时、准确的交通状态和未来趋势信息提供决策依据。近年来,国内外学者针对短时交通流预测问题进行了大量研究,并提出了很多创新性的预测方法,但研究重点多为结合历史交通数据进行模型和算法的优化,忽视了交通系统内相关影响因素的动态干扰,导致模型在特殊状况下预测精度难以提升。因此本文提出一种结合交通系统相关影响因素并考虑交通流时空特性的深度学习短时交通流预测模型 MDLSTM(Multidimensional Long Short-term Memory Network),以解决因交通复杂系统相关耦合因素的影响而导致的预测精度低的问题,实现实时准确的短时交通流预测,为智能交通提供基础。首先,该模型在辨析交通流时空特征的基础上,分析城市交通系统在工作日、节假日、天气等相关影响因素下的交通流特性,量化相关影响因素,结合道路交通流构造多维状态向量。其次,针对传统循环神经网络不能对交通流序列中的长时依赖信息建模的问题,本文引入深度学习中的长短时记忆网络LSTM(Long Short-term Memory Network)作为模型的基本结构,结合多维状态向量建立了短时交通流预测模型。采用美国交通研究数据实验室提供的实时车流量数据进行了大量实验。结果表明,该方法避免了因各种交通系统要素的影响而导致的预测准确率低的问题,与仅基于历史交通流进行预测的LSTM、BP神经网络模型相比,该方法预测准确率更高,能够更为精确地反映交通流未来变化趋势,具有一定实际参考的应用价值。最后,针对上下游道路交通流存在相关性和延时性,且在早晚高峰与平峰、工作日与周末等不同状态下延时时间都会有所变化的问题,本文在上述研究的基础上,通过计算不同状态下上下游交通流互相关系数确定最佳延时时间序列,结合多因素数据进行预测得到下一时刻上下游交通流的最佳延时时间,以重构上游交通流;将重构后的上游交通流数据作为下游道路预测的补充流量,以有效指导下游道路短时交通流预测。实验证明该方法可有效提升短时交通流预测的精度。