交通系统的建设在一定程度上影响着经济是否能平稳快速发展,交通流量预测作为交通系统建设的重要组成部分,可以很好的为交通系统的建设提供参考性依据,缓解当今城市化进程中日益加重的交通拥堵,提高交通道路规划的合理性。本文首先梳理了国内外交通预测的主要模型,传统模型整体上参数设置简单,参数的计算上有着精确的数值,但是如今不断完善发展的现代交通运输业给车流量的变化带来了越来越多的不可控因素,传统模型往往难以在预测上取得预期的效果。通过对比几种模型的优缺点,选取智能模型神经网络来预测交通流量,神经网络有着强大的非线性映射能力、良好的自适应性和鲁棒性,然而普通神经网络受限于自身的网络结构,当学习步数增大到一定的程度后,在学习新样本的同时有遗忘旧样本的趋势,因此,本文选取了适合于处理时序性数据、带有“记忆功能”的深度学习算法LSTM循环神经网络应用于交通流量的预测,为了体现该神经网络模型相比于普通神经网络在预测效果上的优势,选取昆明西高速收费站的交通流量数据,并加入多种容易被忽略的车流量影响因素,构建了基于该模型与BP神经网络的交通流量预测实例,并且详细地介绍了两种模型的网络结构、数学算法描述、整体预测流程和各个模型参数的选取过程。为了对两种模型的预测效果进行定量分析,本文引入平均绝对误差率作为两者的评价指标,同时,也对两种模型的预测效果在日误差率和最终的拟合效果上作了具体的因果分析。实验结果表明:(])满足计算要求的条件下神经网络结构的设计应尽量简单。(2)神经网络模型参数的选取应综合多种情况选取。(3)相比于BP神经网络,LSTM循环神经网络在本实验数据上的预测效果更好。