随着社会经济的发展,现有的公路基础设施已经很难满足人们的出行需求。无论在高速公路和城市道路交通拥堵已经成为困扰交通管理部门的难题。信息技术、控制技术、网络技术等的飞速发展,产生的智能运输系统（Intelligent Transportation Systems,ITS）是全球公认的解决交通拥堵等问题的主要途径。近些年来,物联网、互联网+、大数据、人工智能等新技术的出现,更是给ITS注入了新的活力。如何利用最新的人工智能技术对交通状态做出预测,以便出行者选择合适的出行路线,从而减少出行时间、交通拥堵和环境污染成为ITS研究的热点。在对交通流预测的国内外研究现状分析的基础上,利用皮尔逊相关系数、相关函数定性与定量对交通流的时空相关性进行了分析。在时间特性上,分析了交通流工作日和非工作日以及连续相同工作日的相似性以及周期性,从时间角度为交通流预测模型数据集的选择奠定了理论基础。在空间特性上,对路网中不同路段交通流的相关性以及局部相似性进行了分析,结果表明路网中不同路段交通流的相关性与路段之间的距离有关,但相关性并不与路段的距离成反比,为交通流预测模型的构建奠定了基础。对交通数据异常产生原因,交通异常数据监测的肖维勒、狄克逊、莱依达方法进行分析的基础上,提出了一种局部莱依达准则的交通数据异常检测方法,并通过实验验证了提出方法在异常检测的可靠性和有效性;分析了交通数据缺失的原因并对缺失数据进行了分类,针对结构性交通数据缺失,提出了一种改进的基于矩阵低秩分解的结构性数据修复方法,并以实际的交通流量数据对提出方法的性能进行了测试和分析,表明了提出方法的有效性。以离散图信号处理的基本理论为基础,结合交通流的时空相关性,构造了一种基于数据和距离相关的路网邻接矩阵,并提出了一种基于图傅里叶变换的交通流时间序列和路网交通流数据分解方法,将交通流数据分解成基本的趋势项和随机波动项。充分考虑交通流的时空相关性,利用K近邻（K-nearest Neighbor,KNN）算法对路网中的不同路段的交通流数据进行筛选,在基于图傅里叶变换（Graph Fourier Transform,GFT）交通数据分解的基础上,结合深度学习模型中长短期记忆网络（Long Short-Term Memory,LSTM）处理时间序列的优势,提出了一种融合KNN、GFT和LSTM的组合交通流预测模型KNN-LSTM。实测的交通流数据测试结果表明,相比于传统的自回归滑动平均模型、机器学习中的经典模型支持向量机、浅层人工神经网络、深度信念网络和LSTM的深度学习模型,本文提出的方法具有更好的预测性能。针对现有关于大规模路网中所有路段交通流预测研究的不足,提出了一种基于K-means聚类分析和矩阵分解的路网交通流压缩预测方法。利用K-means聚类分析对路网中不同路段的交通流量进行聚类分析,以欧式距离作为判定标准将路网的路段划分为K个子集,对每个子集随机选择一个路段作为该子集所有路段的代表,从而构造路网数据的压缩矩阵。通过路网原始数据矩阵与构造的压缩矩阵计算两者之间的映射关系,对构造压缩矩阵的路段分别建立预测模型进行交通流预测,最后通过映射关系获得整个路网所有路段交通流的预测结果。实验结果表明提出的方法在保证预测精度的条件下,大大提高了运算速度,是一种有效的大规模路网交通流预测方法。