随着城镇化的快速发展,城市交通的供应需求矛盾日益趋于激化,已经严重影响到人们的生活质量。为了保证行车安全和道路通畅,本文致力于研究交通流预测技术,以获得实时精确的预测值,为人们的出行提供指导性建议,实现人车路和谐运行。由于交通流的复杂性,目前的预测方法普遍存在隐藏特征提取不足、时序信息学习匮乏等问题。为了克服上述问题,本文针对高速公路的交通流预测展开研究,开展了如下研究工作:首先针对基于深层卷积神经网络和独立循环神经网络的网络模型,对交通流预测展开探索,构建了三种深度学习方法。分别为1)基于ResNet的交通流预测算法2)基于DenseNet的交通流预测算法及3)基于IndRNN的交通流预测算法。ResNet以残差模块作为基本特征提取模块,能有效地提取出交通流量数据的隐藏特征;DenseNet在ResNet的基础上,借助DenseBlock对多层特征的重复利用,增强了特征提取的广泛性和有效性;而IndRNN相对于传统RNN能够更好的处理梯度消失、梯度爆炸等问题,并且结合ReLU激活函数,堆叠多层网络,搭建更深的网络,有效学习时序信息。在上述探索中,本文发现IndRNN网络在交通流预测的时序性学习方面显示出良好的性能,但是依然存在无法有效学习原始数据高层隐藏特征的问题。针对这一问题,本文重点对IndRNN进行改进。首先采用DenseBlock作为隐藏特征提取器,然后对提取的特征图信息进行全局平均池化,最后连接由IndRNNCells组成的预测头,学习时序信息。鉴于DenseBlock强大的特征提取能力和IndRNNCells优秀的预测能力,提出基于改进IndRNN的交通流预测算法模型。为了验证上述方法的有效性,本文基于美国加州交通局PeMS平台所提供的高速公路实测数据,进行验证。将改进的IndRNN模型,与“1)2)3)”以及同类算法SAE进行比较,证明了本文重点提出的改进的IndRNN模型在针对交通流预测情况下,具有较好的效果。