随着我国城市化程度不断提高,城市中的车辆存有量也在逐步攀升,交通拥堵问题也日益显著,智能交通系统（Intelligent Traffic System,简称ITS）应运而生。智能交通系统将先进的信息技术有效的运用于交通运输管理体系,从而建立起实时、准确、高效的运输管理系统,达到保障交通安全、提高运输效率、降低能源消耗的目的。交通流量预测则是智能交通系统的重要一环,实时而准确的流量预测结果对交通信号优化、出行路线规划等有着重要的意义。交通流量数据具有复杂的时空相关性与非线性特征,仅凭传统的统计学方法无法取得足够的预测精度。本文在前人研究的基础上进行了改进,主要工作如下:（1）本文提出了一种基于LSTM与ARIMA的组合时间序列预测模型,并将其运用到交通流量预测中。主要通过LSTM模型捕捉时间序列的非线性特征,使用ARIMA模型来捕捉时间序列的线性特征。此外,本文在LSTM的基础上增加了跳跃单元用来提取交通流量中的周期性特征。本文在多个时间序列的数据集上进行了测试并与基线方法进行对比,结果表明本文提出的方法具有最优的预测性能。（2）本文提出了一种基于图注意力网络的交通流量预测方法。针对道路网络的非欧式空间关联和交通流数据的时序特征,设计了一种融合图注意力网络和门控循环单元的交通流量预测模型。该模型通过图注意力网络来提取不同时刻道路之间的关联性,使用门控循环单元来提取每条道路上的交通流量在时间上的特征,以融合时间特征来对交通流量进行预测,并在两个交通数据集上成功进行了实验验证。（3）本文设计了一种基于深度学习的交通流量预测系统。基于上述两种预测算法,结合实际应用需求,本文设计出了一种面向普通居民、交管部门以及交通运营企业的交通流预测系统。该系统采用分布式架构,具有较强的稳定性且易于后期扩展。此外,系统界面简洁,操作简单,具有良好的用户体验。