近年来,随着城市化进程的不断加快,交通拥堵在世界上许多城市都引发了经济、社会和环境问题。作为新一代智能交通管理系统的重要一环,精确的实时交通预测不仅可以使交通管理者及时掌握城市交通道路未来一段时间的交通状况和交通状态,并且提前规划和引导交通,还可以为道路出行者提供出行建议以确保更好的流动性和更少的拥堵,这对新时代智慧城市的道路规划建设和交通管理也具有重要意义。随着交通检测器和传感器在城市道路网络上的大量使用,现代交通系统积累了大量历史数据,例如流量、速度和密度等。深度学习作为一种新的方法,通过优化和训练网络,可以从海量数据中挖掘出数据的内在特征与规律,具有较强的数据学习能力和特征表达能力。因此,本文将深度学习的方法应用于交通流预测领域,主要研究内容如下:1.针对某一路段的交通流预测问题,本文提出了一种基于Conv1D+LSTM的多步交通流预测方法。此模型将一维卷积Conv1D与长短期记忆网络LSTM相结合,同时考虑了天气、节假日和时间信息等影响交通流预测的外部因素,利用Conv1D来建模交通流数据的时间特征、周期特征和外部相关特征,然后将提取的特征送入LSTM进行交通流的多步预测。该方法在保证交通流预测精度的基础上,还可以帮助人们更好地理解外部因素对交通流预测的影响。2.针对交通路网的交通流预测问题,本文提出了一种基于AST-GCN-LSTM的多步交通流预测方法。该模型通过属性增广单元来提取影响交通流的外部特征（天气,POI、时刻等）,利用局部谱图卷积（LSGC）来从路网中各路段节点的K阶局部邻居捕获空间关联特征,充分考虑到了道路节点的高阶邻域而不是仅仅从一阶邻居节点提取空间关联特征,LSTM是用来捕获交通流序列的时间依赖性。实验结果表明,本文所提出的模型不仅适用于路网的交通流预测,还适用于交通流的中长期预测即多步预测,并且ASTGCN-LSTM模型预测精度明显高于基准模型。