随着经济的飞速发展及城市化的快速推进,交通运输业作为国民经济的基础产业,正面临着一系列的冲击与挑战,比如交通拥堵日益严重,交通状况愈发复杂。因此准确地进行交通流预测,及时完成对交通流的科学引导,在促进交通运输业进步的同时,也利于社会环境的良性运转。本文结合当前社会环境,充分引用国内外文献,对交通流预测方法进行分类,介绍了交通流预测的国内外研究现状和趋势,以阐明交通流预测的重要性。伴随着计算机网络的兴起,更多的学者转向利用深度学习或神经网络的方法进行交通流预测。因而本文对有代表性的交通流预测方法进行比较,以明确模型的适用条件,同时建立起一套科学选择交通流预测方法的体系。本文选择的研究对象是包括ARIMA模型在内的时间序列模型和长短时记忆神经网络模型(后称LSTM模型)。实例数据记录了日本中央自动车道高速公路共1430组数据,包含日期,星期,交通流,天气等信息。经过前期的梳理统计,该数据的结构和形态满足ARIMA模型和LSTM神经网络模型进行交通预测的要求。本文建立预测交通流的ARIMA模型和LSTM模型。详细阐述ARIMA模型的建模过程及特点,ARIMA模型的建模过程由python自带数据分析包Pandas进行实现。LSTM的建模过程使用Keras框架,由Python编写代码。将预处理之后的部分信息输入到ARIMA模型和LSTM模型当中,输出两种模型预测的交通流数据,利用RMSE和MAE来衡量模型的预测精度,从全年交通流、局部交通流和波动处的交通流多方面进行比较。通过对应用实例的分析,LSTM模型对交通流高值和低值点的预测更准确,应对剧烈波动的能力强,但计算时间长;ARIMA模型计算时间短,在平稳状态的预测中保持较高的精度。分析出两种模型各自的适用范围,为下一步建立交通流预测方法的选择体系打下基础。