交通信息预测是指利用各种模型对未来时刻交通信息进行预测,为交管部门实施交通管制提供数据支持,为出行者规划线路和规避拥堵提供决策依据,缓解城市交通拥堵现状和改善出行体验。随着机动车数量激增,交通状况变得愈发复杂,同时受交通事故、恶劣天气等难以预测的因素影响,道路交通具有很明显的随机性和复杂性,精准预测交通信息是一项富有挑战的任务。现有方法非线性拟合能力有限,难以挖掘出海量交通数据蕴含的深层特征,预测精度不能满足要求。近年来,随着深度学习方法的发展,为交通信息预测领域研究带来了新的思路。本文基于深度学习方法对路段行程时间预测、城市区域车流量预测、交通信息预测原型系统等方面展开了研究。主要工作如下:1.提出并实现了一种基于LSTM网络和ODC矩阵的路段行程时间预测模型LOLTTP。该模型针对已有方法受自身结构影响无法学习到时序数据中的深层依赖关系、忽略了上下游路段之间空间相关性而导致预测精度不高等问题,分别利用LSTM网络和ODC矩阵挖掘路段行程时间中长时依赖关系和上下游路段之间空间关系,构建出一个包含时间和空间两个维度的网络模型。在成都市出租车轨迹数据所提取路段行程时间数据上的实验结果显示,本模型相比于现有LSTM、SVM、ARIMA模型精度更高,验证了模型的有效性。2.提出并实现了一种基于卷积循环神经网络的城市区域车流量预测模型CRUTVP。该模型针对已有方法大多只关注单路段车流量预测、不具备实际应用价值,将区域视为孤立个体而忽略各区域间的空间相关性等问题,利用CNN在处理图像数据和LSTM网络在处理时序数据上的优点,分别挖掘区域间车流量在空间上的相互关系和区域内车流量在时间上的依赖关系;还采用基于经纬度的分割方法和网格统计将整个城市车流量处理为一系列静态网格图像,实现对整个城市车流量的预测。本模型以CNN和LSTM网络的结合体——Conv LSTM网络为基础,构建出一个深层结构的编码预测网络。在成都市出租车轨迹数据上的实验结果显示,本模型相比与LSTM、CNN、SVM模型精度有了明显的提高,表明考虑区域车流量的时空相关性可以提高模型预测精度和稳定性。3.设计并实现了一套交通信息预测原型系统。该系统以本文所提两个预测模型为核心,采用分层体系结构进行系统搭建,并利用第三方API进行结果可视化。系统主要包括轨迹数据接口、交通信息预处理、交通信息预测和可视化这四个模块。系统管理人员通过交通信息预处理模块和交通信息预测模块对原始数据处理和模型训练。用户通过可视化模块与系统进行交互,获取未来道路交通信息。最后,以成都市近14000辆出租租车轨迹数据为例,进行可视化界面的展示。该系统以直观、明了的方式展示城市道路交通信息,实现预测模型理论层面研究到实际应用层面的延伸。