为了缓解拥堵提高路网车辆的通行效率,我国许多城市已开始建设智能交通系统(Intelligence Transport System,ITS),短时交通流量预测是ITS必不可少的一环,实时、准确的短时交通流量预测信息为交通控制和诱导奠定了数据基础,在交通规划和管理中有重要作用。短时交通流量数据是一种典型的时序数据,由于其不确定性及动态性,如何更好的从历史短时交通流量序列中挖掘出短时交通流量变化的规律,对于进一步提高模型的预测准确度和稳定性具有重要意义。本文提出了一种结合聚类与门限循环单元(Gated Recurrent Unit,GRU)神经网络的短时交通流量预测方法。首先,本文分析了目前短时交通流量预测模型的优势和不足,研究了聚类及神经网络的相关算法,并对短时交通流量参数以及预处理方法进行了分析;其次,对试验数据进行了平稳性检验,建立了深层GRU预测模型,运用正则化法和dropout方法来防止模型过拟合并利用美国加利福尼亚州Pe MS(Performance Measurement System)的短时交通流量数据对该模型的预测性能进行了验证,在此基础上,通过网格搜索法寻找出模型的最优超参数,优化了深度GRU预测模型;最后,针对训练数据选取对GRU神经网络预测结果影响显著的问题,运用K-Means聚类算法对历史短时交通流量数据进行聚类,建立短时交通流量模式库,利用KNN(K-Nearest Neighbor)分类算法确定与待预测日期的短时交通流量变化趋势最相似的历史短时交通流量模式,利用该类别所有的历史短时交通流量数据作为训练样本有针对性地进行预测,并利用Pe MS数据验证了KMeans-GRU预测模型的性能。利用本文提出的KMeans-GRU预测模型对多个检测站的短时交通流量进行预测。结果表明,与传统GRU网络模型、栈式自编码(Stacked Auto Encoders,SAEs)模型以及经典统计学的差分整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)模型的预测结果相比,KMeans-GRU模型的各项误差指标最低,其平均预测准确率分别提高了3.43%、6.39%、8.34%,证明了KMeans-GRU预测模型有更高的预测准确度且有较强的稳定性和泛化能力。