智能交通系统(ITS)对解决现今的一系列交通问题有着重要作用,而短时交通流预测则是智能交通系统的核心内容,同时也是是交通信息服务、交通控制和交通诱导等系统的重要基础。深度学习算法能够使用多层神经网络或深层架构来捕捉数据的固有特征,而引入注意力机制对深度学习算法性能的提升效果已经在自然语言处理、图像识别等领域得到了验证。由于交通流的复杂随机性特征,准确的交通流特征识别并不是一项简单的任务,科学合理地运用深度学习算法对城市路网交通流进行更加精确的预测对于整个交通系统具有十分重要的意义。本文致力于使用深度学习算法对路网短时交通流速度预测进行研究,针对现有研究成果的不足提出了从预测精度和预测模型效率两个角度出发的具体方法,本文的研究内容包括:(1)为了提升用于预测的数据质量,分析了交通流数据的统计特性,进行了系统的数据预处理,给出了交通流数据缺失划分的定义,并根据定义的偶然性缺失和多发性缺失分别采用朴素贝叶斯和动态时间规整算法进行数据估计和填充。(2)阐述了选择循环神经网络(RNN)作为基础网络进行交通流预测的原因,针对其在实际应用中的梯度消失问题提出了长短期记忆网络(LSTM)对模型进行改进,并具体描述了模型框架、算法和训练过程。(3)为了进一步提升模型性能,将注意力机制引入LSTM-RNN预测模型,选择了适应于本文研究场景的基于注意力向量计算方式的变体,搭建了基于注意力机制的短时交通流速度预测模型,并具体描述了改进后的模型框架、神经网络结构和训练过程。(4)利用城市路网实际数据对搭建的模型进行验证。结果表明,在与不做缺失划分的稀疏数据填充模型的对比下,本文提出的混合模型具有更高的修复率和更低的估计偏差;在与RNN、CNN等深度学习算法的对比下,本文提出的预测模型能够提升预测精度和模型效率。