随着社会经济的快速发展和城市化进程的不断推进,人均机动车保有量也在逐年持续增加。机动车在给人们生活带来便捷的同时,其数量的快速增长也加重了城市道路交通的拥堵。交通流预测作为智能交通系统的重要组成部分,其不仅能够辅助人们制定更为合理的出行路线,还能够帮助交通管理部门对交通管制与诱导做出更为有效的判断。因此,对交通流预测进行研究,提高交通流预测精度是有必要的。近年来,随着交通检测器设备的大量部署,交通数据的数量正在以爆炸式的速度进行增长。深度学习作为一种新的方法,其不仅有灵活的结构设计,还能够从海量数据中挖掘出数据的潜在特征与规律,具有较好的数据学习能力和特征表达能力。因此,本文将深度学习方法应用于交通预测领域,对交通流进行预测研究。本文的主要研究内容如下:(1)针对交通截面的交通流预测问题,本文提出了一种基于注意力长短期记忆神经网络的交通流预测方法。该方法将注意力机制与长短期记忆神经网络相结合,采用长短期记忆神经网络进行原始交通流数据特征的提取,然后利用注意力机制完成各个特征影响权重的分配,进而实现交通流的有效预测。该方法在保证交通流预测精度的基础上,还可以帮助人们更好地理解截面交通流状态在时间上的相互影响。(2)针对交通路网的交通流预测问题,本文提出了一种基于生成式对抗网络的交通流预测方法。该方法采用多层长短期记忆神经网络进行交通流数据的生成,多层全连接层进行真假交通流数据的判别。该方法不仅适用于路网的交通流量和速度的预测,还适用于单步和多步预测,且预测精度均高于基准模型。