随着综合立体交通网建设的持续推进和感知技术在交通领域大规模应用,交通数据在快速增长,这些将成为现代化高质量综合立体交通网的保障。短时交通流预测是综合立体交通网现代化所必须攻克的问题之一,对实现交通疏导避免拥堵和路径规划有重要意义,是路网交通更加智能先进,便捷顺畅,安全可靠的技术保障。为了研究交叉路口短时交通流量预测的问题,本文采用神经网络理论设计了基于多源时空特征的交通流量预测模型。本文中设计的模型在建模近期趋势,日周期趋势,周周期趋势的基础上,还采用结合周围区域中的高相关性路口交通流量特征和周边区域的出租车活跃度来同时捕捉和丰富交通流的时空特征。现实中环境恶劣的路口交通场景让交通数据中不可避免的出现数据缺失的情况,这对分析交通流的时空特征和模型的预测性能造成了负面的影响,为此文中设计了基于时间卷积网络研究交通数据缺失值填补模型,修复了片段缺损的交通数据,让路口场景中的短时交通流量预测更加可靠。本文针对交叉路口交通流量的预测技术研究主要围绕以下几个方面展开。（1）对各交叉路口交通卡口的采集过车数据进行统计,以5分钟为一个时间间隔对交通流数据进行重采样,对交通流数据剔除噪声点,对交通流序列进行平滑操作去除随机分量,数据将特征值标准化到0到1之间,方便数据分析和建模等操作,对后续的研究工作进行支持。（2）本文从交叉路口交通流量的时空变化特性出发,提出了和构建了基于时空特征的路口短时交通流量预测模型。首先,采用相似度算法和相关强度表对交通网络的交叉路口进行相关强度求取,分析出其中的关联度,并结合分析的结果,选取其中相关性最高的路口车流特征,融入到神经网络模型进行分析。此外周围的出租车活跃程度也是重要的空间特征,并将其信息作为特征,融入到神经网络模型。为了充分的挖掘时空特征,模型采用了Attention-Based Bi LSTM神经网络为核心的算法。最后使用多源时空特征,充分挖掘交通流量的变化规律,达到对路口短时交通流量的准确预测。（3）在目前交通场景复杂的检测环境下,数据缺失现象仍不可规避,这影响了深度分析挖掘交通数据的本质特征及构建短时交通流量预测模型。为了避免交通流量数据缺失对交通分析结果的影响,本文设计了基于时间卷积网络的交通流量缺失值填补模型,整合交通流量缺失片段过去的关联信息和未来的关联信息,实现对交通流量序列缺失片段的修复。在实验中,本文设计的短时交通流量预测模型和缺失值填补模型均有很好的表现。短时交通流量预测模型可以在交叉路口场景中准确预测交通流量。填补模型能够高质量地修复交通数据的缺失片段,而且修复后的数据对交通流量预测有更高的价值。