一方面,中国的城市化发展已经从注重增长速度的传统城镇化转变为注重质量提升的新型城市化,而以往的城镇化过程中产生了不少的问题,如空气污染、水污染等环保问题以及道路和房屋等城市生活问题,而交通拥堵是新型城市化建设中最重要、最紧迫的问题之一;另一方面,随着市场经济的发展以及民众生活水平的日益改善,更多的人有了属于自己的私家轿车,根据公安部门的最新数据,2019年全国注册的汽车数量新增2578万辆,全国汽车总量为2.6亿辆,全国机动车总数量达3.48亿辆,而城市道路建设速度远远落后于汽车增加的速度,从而形成了严峻的道路交通问题。交通拥堵对人们的生活水平产生了重要影响,降低了人们的出行效率;还严重影响了社会秩序,造成了城市生活环境的污染,消耗了大量的城市资源,是制约中国新型城市化建设的重要影响因素之一,是城市长期发展中的重大问题。因此智能交通系统受到了研究者们的关注,而准确可靠的交通流量预测是动态交通控制、智能路径诱导和智能位置服务等众多智能交通系统的重要组成部分。但交通流数据不同于一般的时间序列数据,交通流的波动同时受到天气状况、个人车辆行驶速度、路网结构等等多重混合因素的影响,但在实际研究中,很难同时将这些因素都考虑到研究方法中,如何有效的分析这些相关的数据特征,并构建准确率高且实用的交通流预测模型已经成为了目前交通研究中的一个重要方向,而传统的交通流量预测方法难以挖掘到交通流数据相关特征间复杂的非线性关系,深度学习模型由于其多层非线性映射原理的特征提取,能很好的应用到交通流预测中。故本文构建了一种基于注意力机制的SAE-LSTM模型用于交通流的预测。根据以往交通流预测相关研究中遇到的交通流数据具有时间跨度大、维度高以及非线性的特点,先利用多个自编码器组成的SAE模型负责提取海量交通流数据中的潜在高维特征,有效降低数据维度,在一定程度上达到了数据压缩的效果;接着将SAE最后一个隐藏层的输出作为长短时记忆模型（LSTM）的输入,使用双层的LSTM网络模块来提取交通流数据中的时间依赖特征,减少时间依赖特征对预测结果的影响,构建了SAE-LSTM模型进行交通流预测,能够达到降低预测模型的计算量和复杂度的效果;最后在SAE-LSTM模型中添加注意力机制来对交通流数据中的不同维度的特征信息进行权重赋予,获取对预测值具有高影响力的交通流信息,从而进一步提高模型的预测精度和拟合性能。本文采用加州交通局性能质量检测系统（Pe MS）中两个常用的数据集Pe MSD4和Pe MSD8来对本文构建的两个模型的预测效果进行测验,由于受数据集道路结构、天气状况以及多重外部因素的影响,两个数据集的交通流量以及波动规律也有明显的差别,分别进行测验能更好的验证模型的适用性和有效性。实验结果表明,本文构建的基于注意力机制的SAE-LSTM模型相比LSTM模型、SAES模型以及SAELSTM模型在Pe MSD4和Pe MSD8数据集上不论是预测精度还是拟合性能都有了更进一步的提升,能够有效的捕捉交通流数据的非线性特征和周期性特征,且对局部突变数据也能有效的预测,证明了本文模型的实用性和有效性。