随着我国现代化不断推进和加速,对高速公路中的道路流量预测研究也日益提上了进程,交通拥堵引起的问题和危害不只是影响行人通行的时间,还会因为行车时间增加引起环境的日益恶劣,从而对经济造成很大的损伤。所以,对交通流量的预测是城市交通研究中很重要的一项研究。通过对已有方法的分析,本文提出一种基于深度学习的短时交通流量预测技术。近年来,对短期交通流量预测的研究多采用以时间序列特征为基础的长短期记忆网络,这一研究的主要缺点是基于单一特征进行预测。而交通流量的特征不是单一不变的,道路网络的空间特征以及交通数据自身特征在交通流量预测中也尤为重要。故此,本文提出了一种基于深度学习的短期交通流量预测,首先利用三种深度学习的神经网络对交通流量进行不同特征的提取,其中包括长短期记忆网络提取时间特征、卷积神经网络提取交通网络的空间特征,以及自编码网络提取交通流量数据的数字特征,然后进行特征融合并实现交通流量的预测。在实验中收集了真实的英国高速公路的交通流量数据,对数据集进行缺失值填充和归一化等预处理,以此提高预测的准确性。通过对比本文所提模型和其他模型的平均绝对误差(MAE)和均方误差(MSE),验证本文所提模型的有效性。实验结果表明,本文提出的利用多特征进行交通流量预测方法相比于利用单特征进行交通流量的准确度有了很大的提升,为缓解交通拥堵提供很好的支撑。