城市的快速发展带动着汽车数量的快速增加,促使城市交通拥堵问题变得越来越突出。为了缓解交通拥堵、提高道路利用效率,交通领域学者提出了智能交通系统(ITS)。智能交通系统的两大作用是交通控制与交通诱导,其中交通流预测可以为交通诱导提供重要依据,是智能交通系统的核心内容。本文分析了短时交通流的时空特性,并运用单观测点多车道关联性和多观测点时空关联性对短时交通流进行预测。本文的工作内容和创新成果如下:(1)针对路段多车道交通流间存在的关联性,提出一种基于多车道加权融合的短时交通流预测方法。该方法分析了加州高速路某单检测点聚合交通流与各车道交通流的相关性,发现各车道交通流与聚合交通流存在较大关联性。然后分别构建双向长短时记忆模型(Bi LSTM),选取各车道交通流和聚合交通流作为训练数据分别输入Bi LSTM模型中预测各车道交通流及聚合交通流,对预测各车道交通流和聚合交通流输入岭回归法进行加权融合作为最终预测的交通流。实验结果表明,考虑多车道交通流关联的聚合交通流预测优于传统的聚合交通流预测精度,具有一定的应用价值。(2)基于交通路网各路段交通流间存在动态的时空关联性,提出一种基于注意力机制的图卷积门控循环网络预测方法。该方法针对图卷积门控循环网络模型无法关注与预测目标最相关的时空特征缺点,在该时空特征输出时引入注意力残差融合方法,从而增强图卷积门控循环网络模型的学习性能。通过图卷积门控循环网络模型学习交通路网各路段交通流间的时空依赖性,在模型输出前融合注意力机制计算各单元的影响权重,各单元时空特征乘以影响权重得出具有注意性质的时空特征,最后利用各单元时空特征和各单元具有注意性质的时空特征进行残差融合得出最终的预测结果。实验表明,该方法相对于改进前传统模型有着更高的交通流预测精度,不仅能够捕获交通路网交通流的时空依赖性,还能够在各单元输出时关注对预测目标影响最大的时空特征。