道路交通拥堵现象已日渐成为制约现代经济社会良性运作的重要因素。而实时、高效的短时交通流预测技术作为当代智能交通管理系统的热点问题,它能够实现城市路网运载能力被最大限度地合理利用,亦能降低交通事故发生概率等目标,正是缓解交通拥堵燃眉之急,提高全社会经济效益的强有力措施。因此,对短时交通流的预测方法进行深入研究具有较深的现实与理论意义。本文首先对以往的研究成果进行回顾与总结,比较了多种交通流预测模型的预测表现;其次,针对具有非线性、非平稳性和高度不确定性特点的短时交通流序列,介绍并构建了基于小波理论和深度信念网络理论的短时交通流预测方法;最后,将本文的预测模型对英国伯明翰市A38路段的短时交通流量进行预测,并论证该组合模型的有效性,并与其他传统模型进行对比,总结不同模型的优缺点及其应用范围。本文的主要研究工作与结论如下:(1)对英国伯明翰市A38路段的短时车流量数据(共收集一年的数据)进行分析,简略分析表明短时交通流数据波动趋势确实有明显的周期性变化规律,序列存在自相关性与不确定性,传统的预测模型很难精准的掌握其变化规律;(2)为了提高所采集数据的质量,文章对英国伯明翰市A38路段的短时交通流量数据依次采用历史均值替代法修补了交通流数据的异常值与缺失值、利用小波去噪原理消除了序列噪声、运用归一化方法消除序列量级上的差异。(3)针对预处理后的数据,文章运用深度信念网络理论进行预测模型训练及预测。具体而言,运用受限玻尔兹曼机负责无监督学习、BP反向传播神经网络负责监督学习,通过不断调整网络的参数,使得模型预测误差收敛。预测结果显示,深度信念网络模型(DBNs)具有较高的预测精度,能较好地解决交通流数据预测的问题。(4)运用浅层神经网络模型对短时交通流进行预测。预测结果显示,DBNs模型相比于BP反向神经网络而言具有更高的预测精度、模型的MSE(均方误差)及MAE(平均绝对误差)要小于BP反向神经网络的预测结果,DBNs在预测效果上较其他模型更优。