在交通需求日益增长的今天,一系列的交通问题也相继出现,其中表现最明显的当属交通拥堵问题。为了有效地缓解此问题,智能交通系统(ITS)被广泛应用于动态交通管理中,而短时交通流作为相关交管部门实行管控的重要依据,一直是智能交通系统(ITS)的重点研究内容。准确的短时交通流预测不仅能实现对交通状态的动态把控并据此实施交通诱导,还能为出行者提供实时、具体的道路信息,提高道路通行能力。随着大数据及信息技术地不断突破,短时交通流的采集方法不断改进,产生的数据越来越多,因此如何利用这些海量的交通数据进行更为精准的短时交通流预测已成为亟待解决的问题。在此背景下,本文针对目前短时交通流预测模型的不足,提出了一种基于机器学习的短时交通流预测方法,利用机器学习领域较为先进的深度学习,对短时交通流进行预测。首先,系统地梳理了目前短时交通流预测的相关方法并指出其存在的弊端;其次,对短时交通流基本参数、特性及采集方法、预处理等进行了具体分析;再次,对机器学习及深度学习相关理论进行了详细阐述,为后续进行预测奠定了基础;然后,采用深度学习中的LSTM模型对短时交通流进行预测,对模型的网络结构、训练过程、参数确定及具体步骤进行说明,建立起基于LSTM的短时交通流预测模型;最后,利用常德市短时交通流量及西安市出租汽车短时流量数据对模型加以验证。通过与其他模型进行对比可得到,基于LSTM的短时交通流预测模型的绝对误差(MAE)和平均相对误差(MAPE)更低,预测准确性达到93%左右,说明LSTM能够有效地获得反映数据自身变化规律的重要特征,具有良好的稳定性及有效性;同时,该预测模型不仅适用于常规的短时交通流量预测,还适用于单一方式的短时交通流量预测。