目前我国车辆的数量和种类都在极剧增加,造成了越来越多的交通堵塞问题。交通堵塞不仅造成了环境的污染,同时也导致了部分公用资源的浪费。因此,如何有效减轻交通压力,提升道路的通行能力,进而确保居民的出行便利,已成为我国交通运输行业目前亟需解决的问题。短时交通流预测作为智能交通系统(ITS)的重要组成部分,可以有效缓解交通拥堵并提高交通运输效率。本文针对短时交通流预测问题,研究了利用时空信息和深度学习的交通流预测模型,研究工作如下:针对单路段的交通流预测,研究了基于GA-BP神经网络的预测模型。由于BP神经网络在训练过程中易陷入局部最小值且收敛速度较慢,研究了利用遗传算法优化BP神经网络的GA-BP短时交通流预测模型。利用GA算法全局寻优的特点找到BP神经网络最佳的初始权重和阈值,改善了BP神经网络随机选取初始值的缺点。并在TRDL和PEMS两个交通数据集上验证了GA-BP模型较于传统BP模型具有更好的预测性能。研究并提出了考虑交通流序列正反向顺序性的双向LSTM(Bi-LSTM)模型。为了充分利用交通流的时间信息,利用长短时记忆网络(LSTM)在处理时间序列问题良好的预测性能,结合正向LSTM和反向LSTM,同时考虑数据的正反向时间依赖性,根据选定的模型结构对交通流数据进行预测。实验结果表明,当Bi-LSTM模型隐藏层数为3,各层隐藏节点数为50,且滑动时间窗口大小选择6时,预测效果最佳;考虑交通流序列双向顺序的Bi-LSTM模型较单向的LSTM网络和其他机器学习算法的预测性能更好,体现了Bi-LSTM模型利用交通流数据时间特征和同时考虑正反向方向性的优势。针对多个站点的交通流预测,提出了利用时空信息的KNN-CNN-Bi LSTM模型。为了充分考虑并利用待测监测点上下游交通流的时空信息,先使用KNN算法将道路监测点上下游的检测数据按照与待测站点欧氏距离的大小进行排序,选取预测性能最佳的组合方式,将输入数据组织成为二维矩阵的形式,借鉴卷积神经网络在图像识别领域的应用,利用CNN来提取不同监测点数据之间的空间关系,利用Bi-LSTM提取时间特征,最后使用全连接层来反归一化输出最后的预测交通流量。实验结果表明,采用KNN算法遴选监测点后可以有效的优化数据集,预测精度更好且用时更短,且利用时空信息的KNN-CNN-Bi LSTM模型比只使用时间信息的Bi-LSTM模型和其他主流预测模型的预测效果更好。