实时准确的道路网短期交通流预测,有助于智能交通系统更好地分析道路网的交通状况,对强调实时性的道路网络交通规划和交通优化控制有重要意义。为了有效地解决交通流短期预测的问题,本文在分析了交通流的时间和空间特征的前提下,从单条道路段的交通流短期预测和道路网的交通流短期预测两个方面展开研究,并借助机器学习等智能技术来实现预测。针对单条道路段的交通流短期预测,本研究提出了 Res-LSTM混合模型。该模型将交通流平均速度序列分解为三个不同的成分(趋势部分、周期性部分和残差部分);再分别用长短期记忆网络(Long Short-Term Memory,LSTM)、残差神经网络(ResNet)方法来对趋势部分和残差部分进行处理和建模;最后Res-LSTM通过训练为不同的分支分配不同的权重,用全连接层聚合交通流平均速度序列的周期部分以及残差神经网络和长短期记忆网络的预测输出。本文利用成都市青羊区多条道路段的实际交通数据验证了 Res-LSTM混合模型在交通流速度预测中的有效性和可靠性。针对道路网的交通流短期预测问题,本研究提出了 SpAE-LSTM混合模型。该模型考虑了道路网中各道路段交通流之间的空间关系以及它们自身在时间上的变化规律,它由稀疏自编码器和基于存储单元的长短期记忆网络(LSTM)组成。模型通过稀疏自编码器提取道路段之间的空间特征,并结合LSTM捕捉到的交通流演变的时间特征进行预测。最后本文选择了两个不同类型的道路网的实际交通数据来验证SpAE-LSTM模型的性能,证明了模型对于道路网交通流短期预测的准确性。总之,本研究验证了提出的Res-LSTM和SpAE-LSTM两种混合模型方案对于交通流短时预测的有效性,同时也从侧面说明了对于复杂的城市交通流的预测问题,融合了不同方法优点的混合模型是一种有效且可靠的解决方案。