自1988年10月新中国第一条高速公路沪嘉高速公路建成通车至今,我国高速公路通车总里程已突破13万公里(总里程位居世界第一),覆盖了约98%城镇人口20万以上的城市,成为了名副其实的交通大国。习近平同志在党的十九大报告中,更是明确做出了要建设交通强国的重大战略部署,确保交通运输在我国全面建成小康社会进程中继续发挥好基础性和先导性的支撑作用。交通强国建设离不开对交通要素实现更为精准的信息化和智慧化管理,因此,近年来快速兴起并已得到广泛应用的机器学习和大数据挖掘等新兴技术,势必将在我国的交通强国建设过程中扮演越来越重要的角色。由于交通量分配和预测结果的精准性,不仅关乎交通管理部门制定管理政策和实施管理措施的科学性,同时也对出行者的出行方式选择产生越发显著的影响。因此,交通量的分配和预测方法一直都是高速公路研究领域的重点和热点问题之一。然而,纵观国内外学者的已有研究成果可以获知,目前,传统预测模型以及单一化神经网络预测模型存在预测精度较低、仅能分析时序性交通量特征的弊端,给实际应用带来很大局限。为此,本文在充分借鉴前人研究成果的基础上,提出了一套相对比较完整的高速公路路网交通量的预测方法。该方法以高速公路联网收费数据为基础,首先通过建立路网交通量分配模型实现对交通量进行时间精度下的分配,之后利用神经网络扩散卷积递归神经网络(DCRNN)构建了高速公路路网交通量的预测模型。由于DCRNN模型运用了扩散卷积运算来捕捉交通量的空间相关性,并使用预定采样的编码器-解码器结构有效解决了交通量的时间依赖问题。因此,可以兼顾时空特征,从而达到更为精准的获取路网交通量特征的目的。通过利用广东省粤东区部分高速公路路网交通量数据对模型预测结果进行验证获知,本文所提出的基于DCRNN模型的高速公路路网交通量预测方法,相比于传统预测方法而言具有更低的平均绝对误差(MAE)和平均相对误差(MAPE)。说明本套预测方法能够有效弥补单一化神经网络预测模型仅能做出时序性预测的弊端,从而显著提高高速公路路网交通量预测结果的精确性和实用性。