交通速度预测作为智能交通系统的重要组成部分,能动态掌握交通流发展变化趋势,是进行交通诱导、出行路线规划的前提和基础,对城市管理、交通调度、道路资源分配乃至经济发展都具有重要意义。采用深度学习方法开展城市道路速度预测是当前研究热点,城市交通状态受多种特征因素的共同影响,综合考虑影响交通状态的相关特征变量来提升模型预测性能是一个亟待解决的问题。本文对基于滴滴开源算法计算得到的成都市道路速度时序数据集进行建模分析,综合考虑多个影响交通状态相关特征变量,分析成都市路网道路行驶速度的时空分布规律,构建了基于多源特征融合的双向LSTM深度学习框架。在进行道路速度时序预测的同时,捕捉向前和向后时段各相关特征因子对预测模型的影响,有望更好地进行道路速度预测,主要研究内容包括:（1）提出了一种基于计算机模拟驱动网页的方法,实现了对Web浏览器内的气象数据的自动化批量抓取和解析,提升用于模型预测的数据质量和获取效率。采用一种道路速度格网单元数据集转换方法,以合理表达路网速度数据的空间分布。（2）分析了成都市路网道路行驶速度的时空分布规律和降雨天气对城市道路速度变化的影响特征。在空间上,越靠近城市中心道路行驶速度越小,低行驶速度的道路趋近于旅游景区和大型商业中心周边;在时间上,工作日和周末交通速度的变化模式存在差异;在不同道路等级下,行驶速度的变化不稳定。降雨对城市道路行驶速度有显著的影响,快速路对降雨天气更加敏感,影响程度在不同等级道路上存在明显差异。（3）构建了多源特征融合的双向长短期记忆网络框架（Multi-source Feature Bi-directional Long and Short Term Memory Network,MF-Bi LSTM）。模型综合考虑了交通路网时空分布特征,引入天气状态、空气质量和时间属性特征变量,双向网络结构可同时捕获向前和向后时段的交通流速变化特征,能有效捕捉气象因素、环境变化和时间关联特征对城市交通运行状态的影响。（4）以成都市道路速度时序数据集进行建模分析,分别选取了ARIMA、CNN、RNN、单层LSTM和堆叠LSTM网络5个基准模型进行验证实验,结果表明:MF-Bi LSTM在一个标准周内的各个时间段均显著优于基准模型,在不同道路等级下能表现出更高的稳定性,与上述基准模型相比预测精度分别提高了2.93%、1.10%、2.45%、1.67%和1.02%。同时在不同天气状态和空气质量等级下,MFBi LSTM均能表现出更加准确和平稳的预测性能。（5）以融合多源特征的双向MF-Bi LSTM交通流速预测模型和成都市交通路网时序数据集为基础,采用超图GIS二次开发和华为云平台技术,设计和实现了一款基于Web GIS的交通速度智能预测系统。将MF-Bi LSTM预测模型集成到系统之中,实现了“道路速度预测”,“路况信息查询”,“道路速度时空动态分析”和“交通拥堵三维可视化分析”四个主要功能模块,更直观地展示各路段模型预测效果。