交通流量预测是智能交通系统(ITS)的关键技术之一,交通流量预测是指使用时间序列算法或智能计算方法,基于历史信息和其他影响因素来预测未来交通信息变化。由于交通系统受外界和内部干扰,使得交通参数具有一定的复杂性和随机性,单一的方法或算法很难准确的描述交通参数的变化情况,深度学习类方法因具有强大非线性处理和特征学习能力已经得到广泛应用,近来的研究中也出现了很多组合分析方法,可以结合多种算法的优势。本文以深度学习方法为基本预测算法,主要研究了三大类交通流量预测方法:几种基本的时间序列分析方法、基于卷积网络(CNN)的时空预测算法、基于经验模态分解(EMD)和长短期记忆网络(LSTM)的时空预测算法。实验给出了各个算法的预测曲线分析,计算出衡量算法预测性能的误差指标并进行对比,可以得到以下结论:数据相同时,在算法误差指标方面,传统的时间序列预测分析方法最大,时空相关的CNN改进算法次之,时空EMD-LSTM类算法最小;在算法的复杂度和训练效率上,传统时间序列算法和基于LSTM类的算法比时空相关的CNN类算法快,复杂度低。最后,在所有仿真方法中,采用噪声辅助分析的时空EEMD-LSTM算法性能最优。本文取得的主要成果如下:首先研究了几种短时交通流量预测方法包括指数平滑算法、SVM和BP神经网络算法,几种基本时间序列预测方法能大致模拟交通流量的总体变化趋势,同时完成了交通流量数据的采集和清洗;随后采用了CNN的先进结构密集连接CNN,结合CNN固有的提取空间特征能力,提出利用两个时间特征尺度的密集连接卷积神经网络来进行预测,具有时空相关性的多时间维度的密集连接卷积网络融合预测能减少测误差,改进预测效果;最后利用EMD分解算法,采用多维IMF分量用多个LSTM分级预测的EMD-LSTM算法,明显减少了预测误差;加入噪声辅助分析的EEMD算法和LSTM构成组合预测算法,与前述所有预测方法对比,时空EEMD-LSTM算法具有最小的预测误差,预测效果最好。