在城市生活中,交通问题是关系社会民生的重要问题。交通拥堵表现尤为突出,尤其在通勤高峰期,拥堵严重不仅影响正常的生产生活,更会影响市民的安全感、获得感和幸福感。智能交通系统的提出在缓解交通拥堵问题上提供了有效治理思路,通过交通流的有效预测能够为系统核心技术提供数据参考,故本文主要研究内容是交通流的预测。交通流预测在数据获取和预测模型两方面都会影响预测的效果。首先在数据获取方面,使用改进后的维特比算法进行地图匹配来获取交通流参数数据,获取方法以网约车轨迹数据集为基础,经过数据预处理、地图匹配、人工选取目标路段、平均车速计算、流量获取等操作,可以获得地图路网中任意路段的交通流数据。同时该方法具有低成本、高精度和智能化的优势。其次,在预测方面,首先对获取的路段平均车速进行预测,搭建了长短时循环神经网络（LSTM）,相对于一般循环网络,LSTM能够有效避免在训练中出现的梯度消失或爆炸问题。通过对车速预测,能够对未来一段时间内目标路段交通情况进行有效预测。为了更好完成预测任务,需要从多维度对交通流进行预测,因此本文除了对速度进行预测,还加入了路段交通流量预测任务,引入卷积神经网络模型（CNN）,基于深度学习理论构建了CNN+LSTM的组合预测模型,通过构建数据样本矩阵作为模型输入,CNN层提取矩阵数据的时间特征,LSTM层用于流量数据预测,同时设计实验对单个模型与组合模型进行对比,通过评价指标验证组合模型的先进性。为了验证两种预测模型的可行性与准确性,本文使用了滴滴公司公开的轨迹数据集,对预测模型进行实验。实验表明,本文的LSTM模型性能指标符合要求,有良好的预测效果。通过对比实验,组合模型与单独卷积模型、长短时循环神经网络模型对比,组合模型的预测结果更加精确,性能指标更优,拟合程度更高。