情报分析是以目标为驱动,通过情报技术手段获得信息和知识的过程,是情报工作的重要组成部分。随着互联网的发展,数据资源不断丰富,传统的情报分析方法已不能对多源、多维度、大体量数据的潜在价值充分挖掘与利用,随着人工智能的发展,以深度学习与大数据为基础的情报分析方法越来越广泛,深度学习与大数据技术在信息采集、存贮、分析乃至决策为情报服务工作提供全流程技术支持。本文以交通流预测为例,通过交通流预测说明深度学习技术在情报分析工作中发挥的重要作用。为减缓城市交通拥堵现状,建立高效、科学、准确的交通流预测系统,本文提出LSTM-GCN交通流预测模型,将长短时记忆网络（Long Short term memory,LSTM）与图卷积神经网络（Graph Convolutional Network,GCN）相结合获取交通流时空特征信息,其中LSTM网络用于获取历史交通流数据的时序特征,获得的特征作为GCN网络的节点特征,道路路网结构的非欧几里得图数据的特征作为图卷积神经网络的边的特征,二者结合输入图卷积神经网络预测交通流;然后,对交通流原始数据及图结构原始数据进行预处理,将处理后的非结构化数据输入模型中学习、训练与预测,训练过程中不断调整参数,直到达到预测模型的最优结构,通过实验对提出的交通流预测模型的可用性进行验证,结果表明该预测模型的准确率达到88.53%,并且将LSTM-GCN预测模型与线性支持向量回归（Linear Support Vector Regression,LSVR）与K邻近算法（K-Nearest Neighbor,KNN）对比,本文所提出的LSTM-GCN交通流预测模型具有更高的预测准确率;最后,对人工智能与大数据技术背景下的新型交通管理模式探究,提出了交通流预测模型的应用机制以及实际应用场景,并且总结了在深度学习与大数据背景下交通管理模式的变化,为交通流预测模型的实际应用奠定基础。