近年来,城市化进程不断推进,城市规模持续扩张,交通拥堵越来越严重。时空数据的大规模应用以及智慧交通平台的出现,为缓解城市交通拥堵提供了新的思路。交通时空数据内容丰富,现势性强且精度高,将时空数据应用于交通领域,可缓解交通拥堵,为交通管理部门提供技术支持。本文以时空数据为基础,挖掘了时空视角下西安市主城区的交通时空特征及拥堵形态,采用深度学习方法对太华北路的交通状况进行预测,引入交通仿真技术,对研究区域的常发性交通拥堵提出缓堵策略。主要研究内容如下:(1)本文对西安市交通拥堵的时空特征进行了研究,发现交通拥堵主要发生在工作日及节假日前后。一周内,工作日比休息日的拥堵情况严重,工作日的交通拥堵指数比休息日高11%;由于新冠疫情的影响,与历史同期数据相比,西安市主城区2020年2月份的交通拥堵指数大幅下降,2020年3月份后,交通指数明显回升,基本与历史同期数据持平,说明受疫情影响的交通流量基本恢复至正常水平。论文综合时间、空间维度的交通流特征,提出了完善各区域的功能,实现功能区职住均衡的交通缓堵策略。(2)本文针对太华北路的交通状况,建立了深度学习模型,模型中需要设置的参数包括:输入层神经元数量、输出层神经元数量、隐藏层神经元数量以及网络层数。建模完成后,探究各参数对模型预测精度的影响,经过不断实验,本文获得了该深度学习模型的最优结构,具体结构为264-82-30,即输入层神经元数为264,隐藏层神经元数为82,输出层神经元数为30,经计算验证,该模型的预测精度为92.4%。(3)基于预测结果,本文提出的针对太华北路交通单元的缓堵策略如下:通过调整红绿灯的运行模式,对交通流进行疏导,以车道占用率为评价标准,经验证,在交通拥堵的交叉路口,该策略可将道路的平均车道占用率从40.6%降低至31.3%,同时总路网的平均车道占用率从36.4%降至34.1%。由此可见,该方案具有一定的缓堵效果。