随着我国机动车数量的大幅度攀升,汽车已成为犯罪分子的重要作案工具,从车辆入手来寻找线索已成为侦破涉车案件的重要思路。其中,最常见的方法就是查找案发地点附近的摄像头,依据案发时间来确定摄像头排查范围。但由于案发地点具有隐蔽性,通常可以查到的摄像头与案发地点之间还有一定距离,这就需要对这段目标路段的车流量及行车时间进行估算,估算结果越准确,需要查看监控的时间范围就越小,不仅能够保证查找范围的准确性,也能够提高线索筛查的效率。本文利用神经网络相关知识构建了行车时间及车流量预测模型,以缩小摄像头排查的时间范围,具体工作如下:1、针对行车时间预测任务,提出了基于ABi LSTM与XGBoost的组合模型。首先,在Bi LSTM模型上添加注意力机制,使模型能够对不同时间步赋予不同权重的关注。接着,使用两种调参方式对XGBoost中的参数进行调节。最后,将ABi LSTM模型与经过调参之后的XGBoost模型使用误差倒排法和最小绝对值法进行组合,提高了预测效果。2、针对行车时间预测任务,提出了RF-Deep AR概率预测模型,解决了现有行车时间预测模型只能提供数值预测的问题。首先,利用随机森林模型进行交通流量预测,然后,将其与其他属性特征一同输入Deep AR自回归网络概率预测模型,在数值预测的基础上给出不同分位数下的行车时间预测区间,使得预测结果适用于更多场景。3、针对车流量预测任务,提出了基于改进果蝇算法的混合小波神经网络模型。选择果蝇优化算法对小波神经网络的初始参数进行调节。将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进。使用误差补偿法将调参后的小波神经网络与其它模型进行组合,通过二次误差提取提高了模型的预测能力。4、针对车流量预测任务,提出了融合多维时空特征的CLABEK模型。由ConvLSTM、Bi LSTM和Dense神经网络分别提取时空特征、周期特征和额外特征（节假日、天气状况以及温度等）;由卡尔曼滤波提取交通流的线性特征,提高了模型的综合特征提取能力及预测准确性。最终,与相关部门合作将所构建的模型与嫌疑车辆快速锁定技术结合,开发出了“基于视频大数据的锁定嫌疑车辆”智能工具软件,具有较高应用价值。