道路交通拥堵现象已日渐成为制约现代经济社会良性运作的重要因素。而实时、高效的短时交通流预测是实现智能交通系统中先进的交通控制和诱导的关键技术,它能够实现城市路网运载能力被最大限度地合理利用,亦能降低交通事故发生概率等目标,正是缓解交通拥堵燃眉之急,提高全社会经济效益的强有力措施。因此,非常有必要对短时交通流预测进行深入研究。除了显著表现出高度随机性和非线性,短时交通流还兼有周期性、时空相似性等诸多特点。而深度学习作为一种能够通过组合低层特征进而形成更加抽象的高层表示属性或特征的方法,能够深度挖掘数据中隐含的分布式特征。堆叠多个隐含层的深度神经网络具有更优越的特征学习能力和分布表达能力,能够更出色的刻画数据内部的隐含规律。因此,利用深度学习的方法和模型来解决短时交通流的预测问题具有天然的优势和长处。本文的主要内容和研究工作可以概括为以下几点:(1)对以往的短时交通流预测研究成果进行回顾与总结,归纳比较了多种常见的交通流预测方法,并论述了短时交通流预测问题的由来、困难和意义;(2)详细介绍了交通流预测的相关概念,描述了其从交通数据采集、预处理到交通预测问题的描述、预测模型的构建、训练和评价的整个流程;(3)针对短时交通流预测问题,研究了历史时刻的速度、占有率信息以及相邻车辆检测站点的历史交通流量状况对目标车辆检测站点处短时交通流预测性能的影响,通过组合多种不同的特征分别建立了相应的基于LSTM循环神经网络的预测模型;(4)针对短时交通流预测问题,为了充分利用相邻车辆检测站点间的空间关联性,以及自身历史交通流量序列在时间上的连续性,提高目标车辆检测站点处短时交通流预测的精度,建立并改进了几种基于Conv-LSTM混合卷积循环神经网络的预测模型。