随着城市智能交通系统的不断完善,城市道路上安装了大量的检测器设备来采集道路和车辆的信息数据,通过分析检测器检测到的大量数据,为从数据中发现交通规律,支持城市交通优化,短时交通流分析是当前主要研究问题之一。卷积神经网络避免了从数据中人工提取特征的问题,采用卷积神经网络科自动提取交通流量的时空特征,具有较好的应用价值。基于此本文采用卷积神经网络的方法对短时交通流进行研究预测,主要内容如下:本文通过构建卷积神经网络模型,将路网的交通流数据转化为交通流拥堵级别数据,实现基于此类数据的预测时间小于5分钟的交通状况预测,面对特定类型的样本较小的情况,利用迁移学习的思路增加训练集的数据量和提升模型的预测性能。本文的主要工作如下:(1)针对短时交通流预测问题,提出了采用卷积神经网络解决,分析了方案中卷积神经网络中卷积核大小对模型预测准确度的影响,采用秦皇岛连续并且缺失值最少的15天的数据集,实现了1分钟和5分钟的流量预测。并实现了高峰期和全天时段数据的预测。(2)针对数据训练样本过少,导致模型过拟合问题,采用迁移学习的思想,通过不同时段数据集的不同以及在训练集中增加随机扰动的方法,增大了数据样本,提高了模型预测准确性。