近年来,随着经济社会的快速发展,机动车拥有量也急剧增加,城市交通拥堵日趋严重,为有效支持居民出行路径选择、城市交通管理部门交通控制和出行诱导,短时交通流量预测成为各国学者研究的热点问题。短时交通流具有实时性,非线性,周期性等特征,是典型的时序数据,获取数据之间的潜在的关联及影响,是准确预测的关键。深度学习通过利用多层网络结构可以很好地获取数据的特征,基于此本文研究了深度学习的短时交通流量预测方法,主要研究内容如下:针对交通流量数据具有时序性的特点,提出了一种深度学习的模型预测方法,该方法结合长短时记忆神经网络(LSTM)和支持向量回归(SVR),通过长短时记忆神经网络获取数据间的潜在特征,以该特征作为预测器支持向量回归的输入进行预测。采用河北秦皇岛的检测器流量数据,对不同时间间隔的流量数据进行了预测;并分别对工作日和非工作日以及高峰期时刻流量情况进行了预测;比较了不同模型的预测精度,实验表明了模型的有效性。时间的周期性及各种偶发因素均是影响交通流量的关键因素,实际的交通数据往往只能反映数据的一部分特征,从整个数据空间角度,数据的样本量不足,从而导致模型的泛化能力不强,为了解决该问题,本文以增大样本量为目标,通过自编码及加高斯噪声两种数据增强方法,生成与原始数据具有近似分布的数据样本,采用迁移学习的思想对模型进一步训练,实验表明了该方法的有效性。