随着经济社会的高速发展以及城市建设的不断加速,城市道路网日趋完善,与此对应的是,城市家庭的车辆保有量大幅提高,高峰时期的道路拥挤状况也不容乐观。因此,如何协调和改善整个城市的交通状况从而最大程度地利用好交通资源成为各个城市亟待解决的问题,构建一个智能的交通辅助系统无疑是一个很好的解决方案。而对于一个智能交通辅助系统来说,城市规模的道路车速预测为其提供了重要的数据支撑,同时也能够为交通部门的管理和调度以及城市道路规划部门的道路设计提供一定的参考,这些对保障城市道路交通的通畅运行具有重要的现实意义。近些年来,城市道路上部署的传感器不断增多以及各种数据的融合,历史和实时交通数据量迅速增加,这为道路车速预测提供了良好的数据环境。通过道路车速的准确预测,从而了解城市道路的整体交通状况,这在很多方面都起着重要作用。对于交通管理部门而言,这有助于他们提前制定调度计划,科学管理交通流量,最大限度地利用好城市交通资源,从而减少交通拥堵甚至交通事故的发生。对于驾驶员而言,这可以给他们提供对行程时间的实际估计,从而减少行驶途中的不确定性。此外,交通状况的预测有助于路线选择、替代路线推荐和导航应用的预期延误评估等。总之,无论是对于交通管理部门还是驾驶员和导航应用,准确地预测城市道路交通状况都具有较大价值,并且结合预测结果做出决策比仅利用当前交通信息进行决策显然更加合理。然而,想要准确地预测整个城市的道路车速是非常有挑战性的,因为城市道路的交通状况可能受到各种因素的影响,这些因素主要可以分为三类,即时间、空间和其他潜在信息,如异常事件。尽管道路车速预测算法借助相关大数据技术发展迅速,取得了一定的成就,但仍然面临多重挑战。一方面,很多现有方法把交通预测仅当作时间序列问题处理,但是一个路段的交通状况与其他路段的情况强相关,因此一定不能忽视城市道路交通网络的整体信息;另一方面,一些方法引入额外的时空数据来辅助交通预测,这虽然在一定程度上解决了全局信息的问题,但是城市道路系统的时空强相关特性表明使用局部信息分别进行交通预测不等于全局预测,并且引入额外的信息会消耗大量的算力。针对目前道路车速预测算法存在的问题,本文提出了一种基于时空特征的道路车速预测算法——L-U-Net。该算法是一种基于卷积神经网络和长短期记忆网络搭建的时空预测模型,其能够实现时空问题的准确、有效预测,在特征工程的工作量和复杂程度方面相较于其他算法有明显优势,更重要的是可以避免主观特征提取的高复杂性和不确定性。实验证明L-U-Net算法可以准确、有效地预测出城市道路的车速状况,这为具有时空关系的预测问题的研究提供了重要思路。此外,针对一些异常事件对城市道路车速情况的影响,本文提出了一种基于异常事件的道路车速预测算法——TCPM。该算法基于卷积神经网络进行建模,针对可能出现的某些异常事件,对整个城市的道路车速情况进行预测,其特点在于除了考虑时间和空间信息外,强调了其他潜在信息,即异常事件在道路车速预测中的影响。实验证明TCPM算法可以有效预测出城市道路的车速状况,同时表明了利用卷积神经网络可以有效地学习异常事件对于城市交通状况的影响模式,从而优化车速预测的结果,这对相关领域的研究具有指导意义。最后,本文基于上述两个城市道路车速预测算法,设计并实现了一个道路车速预测算法展示系统,该系统集成了历史数据展示、模型介绍、车速预测展示等功能,更加直观地展现了本文的研究成果。