随着科技的发展,智能手机不断普及,人们出行的习惯也在逐渐改变,从以往的出门依赖地图和路标变成了使用手机导航到达目的地。实时准确的短时交通流预测能够为导航路线规划提供可靠的理论支撑,使导航路径避开可能发生拥堵的路段,以减少行车花费的时间达到节能减排等目的。除此之外,短时交通流预测还能为智能交通系统的决策提可靠的供理论依据,如在红绿灯配时、交通引导等方面,短时交通流预测都能够发挥重要作用。因此,如何实时准确预测交通流成为了目前研究的热点。本文主要基于长短时记忆神经网络(Long Short-Term Memory,LSTM)对短时交通流预测展开研究。首先,基于LSTM神经网络对短时交通流预测进行了建模研究;其次,对考虑空间关联性的短时交通流预测展开了研究;然后,为了进一步提升交通流预测的精度,本文基于多模型融合对短时交通流预测进行研究;最后,基于安卓系统开发了一套交通流预测仿真平台,以南岸区道路作为研究对象,并改进了预测模型,使用南岸区道路采集到的数据来验证了模型的可靠性。本文主要工作内容如下:1、基于LSTM神经网络的短时交通流预测研究LSTM神经网络的记忆单元能够存储一定时间段内的数据特征,这个特征使得LSTM神经网络适合用于时间序列的处理。因此本文采用LSTM神经网络对交通参数流时间序列进行研究。2、针对交通流在空间上存在关联,对考虑交通流空间关联性的交通流预测进行研究本研究在基于LSTM的短时交通流预测模型的基础上采用Spearman秩相关等级系数,对交通流在空间上的关联性进行量化,求取相邻路段对应的权重值,进一步将相邻路段交通流时间序列在对预测路段的影响应用到预测过程中,并且与现有模型的预测性能进行了对比。3、为了进一步提升交通流预测精度,对基于多模型融合的短时交通流预测进行研究基于1和2中的预测模型本文提出了一种基于多模型融合的短时交通流预测模型。该模型能够融合了本文中第二章和第三章模型的预测结果以获得更多的交通流特征,从而获得更多交通流特征以提升预测精度。4、基于安卓系统展示的交通流预测仿真平台开发为了验证本文所提算法的性能,本课题选取南岸区道路作为研究对象,基于多模型融合开发了一套交通流预测仿真平台,并采集南岸区道路交通参数流时间序列数据对仿真平台的预测性能进行了验证。