我国作为交通大国,坚持以打造世界一流的交通强国为总目标,未来将朝向数字化、智能化发展交通基础建设。近几年,随着经济体系快速发展,城市汽车保有量增加,便利了人们的出行,促进了城市交通的迅速发展,但同时也带来了交通压力。智能交通系统是减缓交通堵塞并提高道路通行效率的有效管理途径,交通流预测作为它的一个关键性技术,精确、有效的预测结果对交通管制、诱导以及出行便利提供了决策支持,因此交通流预测成为了交通领域的热点话题。针对交通流随环境、车、路、人等因素影响而表现出随机、非线性、相似性等特征,本文提出一种基于PSO-LSTM的城市道路卡口交通流预测模型,其研究内容如下:首先针对城市道路卡口数据存在的数据异常问题,本文采用了相应的处理方法,对孤立点的缺失数据采用时间序列补全法,对连续的缺失数据采用历史趋势补全法。通过分析交通流的时空特性,考虑了影响卡口交通流量的因素。经分析发现,城市卡口交通流量具有时间相似性特点,因此考虑到节假日因素的影响,空间相关性研究采用加权皮尔逊相关系数,通过与预测目标的相关性强弱判断影响预测目标的上下游关系。其次,针对交通流时序特性和深度学习神经网络中LSTM模型的优缺点,本文提出了一种基于PSO-LSTM的城市道路卡口交通流预测模型。其中该模型选择PSO对LSTM模型中学习率、神经元个数和批量次数进行优化,采用Adam更新网络中的权重,通过多次实验及MSE、MAPE比较确定合适的迭代次数及滑动窗口大小。本文提出的预测模型充分结合了LSTM的时间依赖性优点以及PSO强的全局寻优能力,将该模型的优势很好的发挥在交通流预测中,保证了该模型高的鲁棒性和准确性。最后选取西安市城市道路卡口数据为实验对象,对其在不同时间间隔下进行了相关研究,并与RF、SVM、单一LSTM模型相比较,实验结果表明,模型在预测准确性上远胜于传统的RF和SVM模型,且比单一LSTM模型的误差有显著下降,而且当T=5min时,模型预测效果更好,MSE下降28%和13%,MAPE下降8%和3%。