随着城市化进程的不断加快,我国各主要城市有限的交通资源与日益增加的交通需求之间的矛盾不断增加,智能交通系统扮演着越来越重要的角色。如何更加准确地预测未来一段时间内的交通流量,合理有效地利用与分配现有交通资源、减少交通拥堵始终是智能交通系统的重要任务。本文从出租车轨迹数据中提取出交通流信息并利用深度学习方法实现交通流预测功能。主要工作如下:(1)针对出租车轨迹数据中存在的噪声,基于“速度异常”,“轨迹点个数异常”以及“停留时间异常”三个方面对原始数据进行清洗,对清洗后的轨迹点实现地图匹配,以提取道路交通流参数。对出租车轨迹数据进行挖掘,并从中提取出上海市出租车运营情况与居民出行情况,利用灯光图与热力图可视化分析出租车运营的OD点分布空间规律。(2)针对现有路段交通流参数预测方法预测精度较低以及忽略路段间交通流参数的空间联系,将当前路段与上游路段的交通流参数共同输入到LSTM(Long Short-Term Memory)网络模型中实现对多个路段交通流参数的预测。(3)针对不同区域之间驶入、驶出交通流的时空联系,将多个连续时刻下的驶入、驶出流输入到STCL3d(Spatial-Temporal Convolutional LSTM Conv3d)端到端模型中,该模型利用CNN学习交通流的空间特性,LSTM学习交通流的时间特性,Conv3d实现多时空多区域交通流参数预测。(4)设计交通流预测原型系统,从整体设计,功能模块设计以及可视化界面三个方面对该原型系统进行描述。可视化原型系统使用户可以更加直观地获取交通流信息。研究表明:道路速度在输入到网络模型前,需要经过平稳化和标准化处理;添加BN层的“有记忆状态”LSTM模型能很好的拟合道路速度随时间变化趋势,从而预测道路交通流参数;STCL3d模型能够表达出区域交通流的空间关联关系和时间变化趋势,进而实现对区域交通流的预测功能。本文为道路交通流和区域交通流分别建模,建模过程中数据的获取与处理,数据结构的转换,以及网络模型的搭建对研究其他交通流预测问题以及时序数据预测问题具有一定的参考价值。