随着社会经济的快速发展,车辆数量迅速增加,交通拥堵问题日益严重。解决这一问题最有效的方法是使用智能交通系统(ITS)减少交通拥堵,而智能交通系统的核心要素之一是短时交通流量预测。精确的交通流量预测模型在减少交通拥堵,改善空气质量和支持政府决策方面发挥着重要作用。本文对交通预测现有的方法进行总结,并在前人研究基础上进行改进和创新,针对不同情况,提出了具有较高预测精度的模型。本文在现有的工作基础上做了以下研究:本文首先提出了一种基于LSTM的改进的方法(LSTM+),它利用注意机制来捕获超长序列的高影响值,并将其连接到当前时间步,从而使LSTM具有超长记忆的功能。当部分地区传感器数量少,传感器之间比较孤立,传感器之间无法形成有效的拓扑关系,本文使用长短期记忆网络(LSTM)进行流量预测,然而由于LSTM细胞大小有限以及细胞状态一直不断更新,导致LSTM对超长期依赖捕获不足,最近有研究人员注意到在多个时间尺度添加特征可以帮助改善循环神经网络(RNN)的长期依赖,受此启发,因此本文利用注意机制方式改进了 LSTM。实验结果表明,所改进的LSTM+模型在孤立传感器预测中具有一定的竞争力。其次本文提出了一种密集连接的空时图卷积网络(DSTGCN),它通过卷积网络(CNNs)捕获数据中的时间关系,通过图卷积网络(GCN)捕获数据中的空间关系,最后利用密集连接网络来加强这两种关系的传播,为了减少冗余数据的输入,还设计了一种特殊的掩模卷积层。这种网络适应于传感器数量较多,能够构成空间拓扑关系的情况。实验结果表明所提出的模型能更充分地提取隐藏的空时关系,模型性能在具有拓扑关系的传感器预测中超出了最新的基线。