为解决日益严重的交通拥堵问题,智能交通系统被广泛应用于动态交通管理当中,有效缓解了交通拥堵、提高了道路通行效率。随着交通数据采集技术的不断发展,及时获取路网中实时的交通数据已成为可能,大量的交通信息为路网交通状态的分析和预测研究提供了数据保障。交通流预测在智能化交通管理和动态控制中占有重要地位,是实现交通诱导的前提,实时、准确的路网短时交通流预测有助于更好的分析路网交通状况,对路网交通规划和交通优化控制有非常重要的作用。针对大型的交通网络,传统的单个路段的交通流预测不能完全反映实时的路网交通状况,本文针对现有短时交通流预测方法的不足,提出了一种基于深度学习的路网短时交通流预测方法。首先对交通流数据的时空特性进行分析,根据交通流的时间特性将数据分为周末和非周末两类,根据交通流在空间上的相关性,通过设定不同的相关系数阈值对路段进行分组;其次,应用谱分解的方法将交通流数据分为趋势项和随机波动项;再次,对路网交通流矩阵进行CX分解,应用路段之间的相关性构造路网压缩矩阵;然后,采用深度学习中的深度信念网络模型结合支持向量回归建立DBNSVR短时交通流预测模型;最后,以美国交通研究数据实验室提供的实际高速公路的区域路网交通流量数据验证了方法的可行性。通过实验仿真分析得出:(1)趋势项信号可以影响预测的精度,设置最优的频谱阈值去除趋势项能够使得预测误差减少5%;(2)压缩后的路网预测运行时间明显减少,节约时间90%;(3)本文提出的预测模型在预测精度上优于其他预测模型,预测误差比SVR模型减少8%,路网中各个路段的平均预测精度可以达到92%。