随着我国经济的高速发展,人们生活水平逐步提高。与此同时,日益增长的出行需求给尚不完善的城市交通系统带来了巨大压力,许多城市都面临着各种交通拥堵问题,这不仅给人们的生活带来了极大的不便,也给城市交通管理者带来了巨大的挑战。为了应对日益严重的交通拥堵问题,国内外学者和政府有关部门积极投身智能交通系统的建设中。交通流信息作为智能交通系统的基础,是城市治堵措施的重要参考资料。因此,为了有效治理交通拥堵,对道路交通流进行准确的实时预测显得异常重要。本文主要聚焦于道路交通流预测模型的构建,实现城市范围内的道路级交通流预测。本文首先对路网数据和出租车GPS轨迹数据进行了预处理并计算了道路交通流,然后通过可视化技术分析了道路交通流的时空模式,发掘了道路交通流在时间上的周期性和长短期依赖性,并揭示了道路交通流在空间上的局部相关性和稀疏性。根据这种空间相关性,本文提出了顾及空间拓扑关系的路网图像表达方法,将矢量路网转化为极大保持原有空间拓扑关系的图像,并使用像素的灰度值来表示相应道路的交通流量,从而得到整体路网道路交通流的图像表达,使得利用卷积操作来提取道路级的交通流空间特征成为可能。随后基于发现的时间模式,使用道路交通流图像组织了适用于深度学习模型的三种输入特征序列,并构建了基于LSTM和Dense Net的道路交通流特征提取模块对这三种序列进行了特征提取和学习。此外,基于工作日和休息日交通流在时间模式上的差异性构建了以时间信息为主的外部环境特征,并设计了基于人工神经网络的外部环境特征提取模块对其进行特征提取。最后,通过将两大模块的输出进行融合来实现道路交通流的预测任务。本文首先在武汉市三环内的路网和国内外九个主要城市的路网上对顾及空间拓扑关系的路网图像表达方法进行了实验。该算法将具有35575条道路的武汉市三环内路网转化为192?192的二维图像,图像填充率为99.6%,其他路网转化图像的填充率也都能达到90%以上,证明了本文路网图像表达方法的有效性。此外,通过与随机编码的表达方法进行对比,本文方法的拓扑连接误差和拓扑方向误差在所有数据集上均明显低于随机编码的表达方法,证明了本文方法在保持原始路网空间拓扑结构上的先进性。然后基于转化后的武汉市三环内路网交通流图像,对本文的预测模型进行了实验。首先对本文模型的单步预测误差和多步预测误差进行了空间可视化,结果表明预测交通流和真实交通流的空间分布非常相似,分别只有0.06%和0.08%的道路显示出较大的绝对误差。然后将本文方法与其他主流时序预测模型VAR、ARIMA、LSTM、GRU和ST-Res Net进行了对比,结果表明在单步预测上本文方法的平均绝对误差仅为1.30,均方根误差为3.699,效果优于其他模型;在多步预测上,相比于其他模型性能的迅速恶化,本文方法的误差随着预测步长增加而缓慢增长,从而验证了本文方法的有效性和鲁棒性。最后为了加深对预测模型内部机理的认知,本文研究了输入序列长度、模型结构设置和道路交通流图像表达对预测模型效果的影响。