随着我国社会经济的不断进步、城镇化率的提高,许多大中型城市都出现了严重的道路交通拥堵、事故频发等交通问题,不断严重的城市交通问题成为制约城市未来发展的重要因素之一。为了有效解决城市中存在的这些交通问题,同时有效推进智慧城市的建设,本文围绕城市区域的交通流量预测问题,对城市的区域划分与交通流量特征提取展开研究,提出了两种基于深度学习的预测模型。并且为了加快预测模型的训练速度,提高模型的准确率,对深度学习的模型并行化做了进一步研究。主要研究内容总结如下:针对城市区域交通流量预测问题,本文提出了两种预测模型,一种是基于空洞卷积的时空残差网络模型。模型使用卷积神经网络提取近距离空间特征,通过结合残差网络与增大感知范围的空洞卷积提取远距离空间特征,使用长短期记忆神经网络进一步建模时序特征,并使用全连接网络来建模时间、天气等外部因素对交通流量的影响。最后,对所提取时空特征与外部因素特征进行融合,输出对城市区域交通流量的预测结果。另一种是基于时空图卷积的交通流量预测模型,在此模型中,我们通过时序卷积网络图卷积组成的和时空块提取历史时间交通信息的时间和空间特征,输出交通流预测的结果。针对深度学习模型的并行化问题,本文对上述基于空洞卷积的时空残差网络模型实现了两种并行模式:数据并行、模型并行。在数据并行方面,设计了一种能够维持GPU群组负载均衡的数据切片算法。在模型并行方面,通过分割模型的方法降低单个GPU训练参数的计算量。最后,提出了一种基于深度强化学习的梯度累加算法,自动调整深度学习训练中的梯度累加量,进而实现训练加速与提高精度的任务。最后,在北京市出租车GPS轨迹的公开数据集上进行了仿真实验,预测模型与六个基准方法进行比较,实验结果表明,本文提出的预测模型在RMSE和MAPE评价指标上具有更高的准确率,分别提升了7.1%和40.6%的预测精度。数据并行模式和基于深度强化学习的梯度累加算法对预测模型的准确率和收敛速度均有提升效果,RMSE降低了50.12%,MAPE降低了59.2%,收敛速度提升了36.71%。综上所述,预测模型适用于城市区域交通流量预测问题,并且深度学习模型可以通过并行计算技术加快训练速度。