随着城市交通问题的日益严重,智能交通系统变得越来越重要。智能交通系统可以有效缓解交通拥堵问题、提高路网通过效率,也可以为人们的交通出行提供信息服务。智能交通系统的两大核心技术是交通控制与交通诱导,短时交通流预测可以为它们提供数据基础,是智能交通系统的核心内容。本文主要对短时交通流预测进行研究。短时交通流预测的准确性受两个因素影响:数据采集的准确性;预测模型的选择。在数据采集方面,针对传统的使用固定设备采集交通流量数据存在的成本高、精度低的问题,本文提出了基于地图匹配和人工标记检测点的采集方法。该方法以车辆GPS轨迹数据为数据源,经过数据预处理、地图匹配、人工标记检测点、流量提取等操作,可以得到以任意道路任意位置为检测点的道路交通流量数据。该方法具有低成本、高精度、智能化的优点。短时交通流预测可以分为交通拥堵预测和交通流量预测。所以,在模型设计方面,针对当前大多数模型不能充分考虑交通流的时空特征的问题,本文将卷积神经网络引入到交通拥堵预测中来。在拥堵预测中,流量数据被转换成拥堵级数,然后使用卷积神经网络进行特征提取并完成分类预测,得到某一路段未来时段的拥堵级别,证明了卷积神经网络在提取交通流特征方面的有效性。为了向智能交通系统提供更基础的数据,需要进行交通流量预测。由于深度学习具有较好的特征学习能力和分布表达能力,能够更出色地刻画数据内部的变化规律,所以将深度学习运用到流量预测中来。本文提出了使用深度卷积神经网络进行交通流量数据特征提取,并将提取到的特征向量输入到支持向量回归模型实现流量回归预测的模型。该模型还综合考虑了时空信息与历史数据、路段影响系数。为了验证两种预测模型的准确性,本文在滴滴出行提供的数据的基础上进行了实验。实验表明,本文提出的拥堵预测模型的预测准确率可以达到91.79%,具有良好的预测效果。将本文提出的流量预测模型与自回归积分移动平均模型、支持向量回归模型对比,发现该模型具有更优的预测结果,即拟合程度更高、性能指标更优。