随着机动车保有量不断增加,道路拥堵问题频繁出现,可靠的交通流预测技术能够为道路交通管理提供数据支持,帮助机动车驾驶员规划出行路线,对道路交通流起到诱导和控制作用,因此成为智能交通系统的核心内容。近年来,深度学习在交通大数据挖掘方面体现出越来越强大的应用价值,各类人工神经网络被广泛地应用于交通流预测研究中。卷积神经网络作为优秀的深度学习模型,其稳定准确的特点决定了它在预测领域内可能具备良好的效果。同时,众多学习平台和网络框架(例如Caffe框架等)的兴起极大地改善了神经网络构建的可操作性。因此,以神经网络为框架,以交通流序列为研究对象的预测研究具有一定的现实意义。根据快速路的交通流特性,本文构建了基于卷积神经网络的快速路交通流预测模型。主要研究工作如下:(1)依据北京市三环快速路的交通流实测数据,对城市快速路上的交通流特性、交通流数据的时间、空间相关性进行讨论分析。内容包括:原始交通流数据预处理,分析快速路交通流三参数特征,讨论快速路交通流周期性,交通流空间相关性与监测路段之间距离的相关关系等,为交通流预测模型奠定理论基础。(2)根据城市快速路交通流特性和交通流空间相关性,将时空维度上的交通流量数据结合起来以二维矩阵的形式作为网络输入,使用基于深度学习的Caffe框架,设计基于卷积神经网络的快速路交通流预测模型。该模型考虑了预测路段的历史交通流量和上下游路段交通流量,并抓取空间相关性较高的道路范围来限制模型结构。(3)对基于卷积神经网络的快速路交通流预测模型进行实例验证和分析。结合北京市三环快速路的交通流实测数据对模型进行训练、测试与预测,同时建立BP神经网络模型进行预测和对比分析。结果显示,基于卷积神经网络的快速路交通流预测模型具有相对较好的预测结果,预测准确率在88%左右。本文的研究可以为城市快速路交通流预测提供一种基础方法,为城市道路交通管理与控制、智能交通流诱导等系统提供基于人工神经网络的构建思路和理论依据。全文包括图31幅,表15个,参考文献49篇。