高速路网是推动国民经济和社会发展的重大基础设施,我国高速公路建设起步较晚,但发展很快,目前已建成高速公路里程突破13万公里,总里程居世界首位。保障高速路网的安全运行和管理效率对我国国民经济和社会平稳发展具有重要作用。交通流量预测智慧交通领域的基础性工作,采用数据智能方法提高流量的预测精度日益受到学者关注。本文立足我国高速路网交通流量预测,针对目前数据单一,存量数据不足等问题,采用深度学习神经网络方法,从数据预处理,数据特征扩展、网络预测模型设计与优化等方面开展研究工作,设计并实现了高速路网交通流的预测,主要内容包括:1.针对于交通流原始数据特征单一的问题,通过机器学习的手段对高速路网数据集进行多特征扩展。在多特征扩展中,针对路网空间特征的提取,设计了改进的基于层次的时间序列聚类方法,提高了交通流数据的聚类效果,有效的区分了高速路网中流量变化特点不同的节点集合。2.针对节点时空特性,设计了卷积与LSTM相结合的交通流预测深度网络模型。模型利用卷积的特性和LSTM在时序处理上的优势,有效的将节点的局部空间特性加入网络进行时序预测。实验证明,模型在保证局部空间结构单一的节点预测精度的情况下,在局部空间结构复杂的节点上预测精度有较明显提高。3.利用多特征进一步改进预测模型。本文探索了一种将天气、日期、地理方位等因素纳入预测模型的通用方法,通过设计交通流的辅助特征,改进了原始预测模型。实验证明,改进模型在特殊时间点的预测效果有一定的提高,同时在路网多个节点上的总体预测效果更稳定。本文通过对交通流预测任务的多方面分析研究,利用研究的预测模型与四川高速路网数据,实现了高速路网交通流预测系统,实验结果表明,本文提出的方法在预测的准确率上比主流的模型更高,模型的稳定性更好。