随着工业的不断进步,汽车产业的快速发展,私家车,出租车和公交车等交通工具的数量大幅度增加,众多方便快捷的交通工具为人们的日常出行带来了方便的同时也给交通道路带来了很大压力。交通拥堵渐渐开始影响到人们的出行和日常活动,交通拥堵问题成为一个需要迫切解决的问题。短时交通流量预测技术可以为用户提供未来短时间内路段交通流量变化趋势。用户可以根据未来短时间内的路段交通流量信息合理选择出行路线和出行时间,避开拥堵路段,增加道路通行程度。本文对交通流量数据进行分析,根据交通流量数据特点提出一种基于深度学习的短时交通流量数据预测算法。本文主要工作和贡献如下:(1)系统介绍了交通流量预测算法的研究背景及意义,概述交通流预测算法的国内外研究现状及其研究热点,对交通流数据进行分析,总结出交通流数据的主要特征为交通数据的时空特征和周期性特征。并针对交通流数据特征设计交通流预测算法。(2)针对现有交通流预测算法存在复杂的数据预处理、分析数据特征不充分、预测精度低等问题。本文提出了一种基于深度学习的短时交通流量数据预测算法,本文将卷积和LSTM网络结合生成Conv-LSTM模块,使用Conv-LSTM模块去提取交通流量数据时间和空间特征,并将时间特征和空降特征充分融合,与现有算法比,可以更好地融合交通流量数据的时间特征和空间特征,避免特征孤立问题,并使用Bi-LSTM去提取交通流量数据的周期性特征,最终将所提取特征融合得到预测结果,最后对神经网络进行优化,提高准确度并提升泛化性能。本文所提出神经网络预测算法具有端对端特性可以直接处理原始数据,省去数据预处理部分,减少人力的消耗;充分分析交通流数据特征,相比较于现有算法具有更高的精度。(3)针对深度学习计算量大,训练时间长的问题,本文搭建多GPU并行计算加速神经网络的环境对神经网络进行加速计算。神经网络在训练时由于前向传播和反向梯度计算时会造成较大的计算量,为了提高深度学习服务器计算能力从而缩短神经网络训练时间,本文搭建多GPU并行计算环境,对神经网络计算进行并行计算加速,缩短计算时间,提升系统可用度。