随着社会经济的快速发展和城市人口规模的急剧膨胀,我国汽车保有量在迅速增加,进而导致交通拥堵现象越来越严重,特别是高速公路拥堵问题已经成为全国性难题。而高速公路是一个国家走向现代化的桥梁,是发展现代交通运输业的必由之路,高速公路交通拥堵现象不仅给人们的出行带来极大不便,也制约了高速公路服务质量的提升,影响了区域经济和社会发展。提前一天或多天预知高速公路交通流,不仅可以辅助高速公路管理人员提前安排部署,合理诱导车辆分流、疏散,也可以为公众预先选取出行路线提供参考,同时也是缓解高速公路拥堵现象的一种有效途径。基于此,本文提出了基于集成Self-attention和深度学习的高速公路交通流预测模型,本文的主要工作总结如下:考虑时空和天气因素对交通流变化的影响,提出了一种考虑多因素的高速公路交通流预测模型。该模型在考虑天气和时空特征的同时,利用一维CNN提取交通流局部空间特征;然后集成LSTM和GRU解决交通流数据的长期依赖性,提取交通流的周期性和趋势性特征,在保持精确度的前提下解决多层LSTM计算量大的问题;利用滑动窗口模型获取最佳样本输入步长,使用Hyperband算法在给定步长内获取模型的最佳参数组合,减少试参数的过程,提高参数获取效率。利用英国高速公路交通流数据集验证了该模型的预测精度,结果表明:综合考虑交通流的时空特征和天气特征可以有效地提高该模型的预测精度。在此基础上,进一步考虑交通流全局的空间依赖关系,提出了一种基于集成Self-attention和深度学习的高速公路交通流预测模型。考虑多因素的同时,在一维卷积的基础上,利用可以动态生成权重并可全局处理变长信息序列的自注意力模型进一步捕获高速公路交通流数据的全局空间依赖关系,从而提升交通流空间特征的提取能力。分别采用国内和国外高速公路交通流数据集对该模型进行验证分析,结果表明:利用自注意力机制有助于突出特征的关键信息,进一步提取交通流的空间依赖特征,有效提升交通流的预测精度。