在生活水平逐步提高,建设全面小康的任务已经完成的历史节点,中国的私家车普及率达到新高,平均两到三个家庭就拥有一辆私家车。而另外一方面,由于城市化速度较快,交通基础设施建设还不够完善,由此而引发的交通拥堵,交通事故等问题造成了巨额的经济损失乃至生命安全损失。在上述背景下,如何合理地对交通进行管控,以及规划下一步的基础设施建设是城市发展的一大重点方向。由此提出的智慧城市概念,即科技与城市发展相融合,为城市交通管理及建设提出了新方向。作为智慧城市的组成部分,交通预测方法是现在深度学习的一大重点研究方向。目前在交通领域有许多的研究方法发布,同时也仍然存在许多问题。首先短期交通数据容易突变,且对时间有严格要求。其次,传统的神经网络模型不适合短期交通预测。因此,基于深度学习的交通预测方法还有很大的价值空间和研究意义。本论文对基于深度学习的交通预测方法进行了介绍与改进,主要的研究内容如下:（1）提出一种基于双向门控神经网络与注意力机制的交通预测方法。本方法考虑到交通数据在短期内所存在的强时间相关性,构造了分间隔序列,在使用双向门控神经网络提取分间隔序列的时间相关性特征的同时,考虑到以往时间序列模型只使用最后一个时刻的输出作为特征,研究结合了模型在不同时刻的输出作为预测层的输入,为及时捕捉交通数据的动态变化,进一步在双向门控神经网络的输出端结合注意力机制,获取数据特征的真实分布,避免冗余特征对模型的干扰,最后用于模型训练,达到了不错的效果。（2）在方法1的基础上,本文首先对交通数据进行了周期性分析,验证了数据所存在的长期周期性与数据的短期相关性,接着,考虑交通预测方法的长期特征不足的问题,本文提出了一种日周期序列的构造方法,该方法将不同日期内相同时刻的交通数据组合为日周期序列,并使用自编码器提取序列的重点特征,最终解决了时间序列模型的长期特征不足的缺陷,同时结合方法1对时间序列的短期相关性进行提取,融合数据的线性特征及非线性特征共同用于交通预测,相比基础模型GRU,Bi GRU,以及经典的交通预测算法CNN,SVR等在RMSE指标及MAE指标上都有所提升。