随着城市规模发展和路网总量提升,机动车保有量快速增长,交通拥堵问题成为当今城市发展和管理的重要问题之一。早期的拥堵预防方案都是根据当前的交通状态做出反应,因此存在滞后性,不能及时有效地改善拥堵问题。因此,有必要对交通流进行预测,以作出及时的拥堵预防方案。交通流数据结构复杂,数据量庞大,具有很强的时空关联性,传统的交通流预测方法难以从庞大的数据中提取出有效的信息。近年来,深度学习模型的提出为大量数据的处理提供了可能性。如何利用道路现有的交通状态信息,预测出未来短时间内的交通流量,并做出拥堵预防措施是本文研究的重点。交通流预测即根据路网中不同观测点的当前时刻和历史时刻的交通流,预测出未来短时间内某路段的交通流。本文分析了深度学习的几种基础模型,选取训练速度快、对复杂函数拟合效果较好的深度信念网络作为交通流预测的基础模型。由于模型的训练需要样本数据,而真实的交通流数据难以获得,因此本文基于交通仿真平台搭建了深圳市局部路网,通过仿真得到了模拟的交通流数据,并对其进行学习和训练。文中采用对比散度算法训练深度信念网络,训练的目标是最大程度拟合交通流数据。训练过程中需要调节模型的四个重要参数,即输入层节点数、隐层节点数、输出层节点数、以及网络层数。文中给出模型参数的设定方法,通过仿真分析得到最优的网络结构,并与现有的方法进行比对,验证本文提出的交通流预测系统精度相比于现有方法有较大提高。根据交通流预测的结果,本文提出了两种拥堵预防方案。其一,控制交通信号灯时间,主要目的是降低拥堵路段车流的流入速度,增加其车流的流出速度。其二,设置拥堵费,主要目的是减少车辆往拥堵路径的流入数量。通过仿真分析得到这两种方案不仅可以降低拥堵路段的车道占有率,还能降低整个路网的平均车道占有率,增加总路网的运输交通量,优化路网资源。