近年来,随着社会经济和交通运输发展的不断进步,人们的生活质量逐渐提高。与此同时,由于私人车辆,出行次数和行程长度的增加,导致大多数城市频繁出现了严重交通拥堵的现象,这不仅延长了人们的通行时间,公路上走走停停的机动车也会加大对燃油的消耗,进而导致环境的污染和破坏。针对这样的问题,拥有一套先进并可进行自我学习升级的智能交通系统,可以对城市交通的改造发挥重要的作用,比如对交通流量的预测,可以间接的对车流量进行诱导控制,从而保障了重点交通枢纽的安全。其中,短时交通流量预测结果的实时性、快速性和准确性,能够对系统的性能起到关键的评判依据。因此,针对短期交通流量的分析与预测研究具有重要的意义。由于交通流量数据本身就很复杂,其次具备时变和非线性的特点,导致一般的以传统的,或是只学习单一的特征的模型,在时间特征提取方面不够充分,很难进行准确的预测,针对于此,本文提出了两个基于深度学习的预测模型对短时交通流量进行建模分析与总结。(1)将离散小波分解原理应用在神经网络结构中,提出了一种基于深度学习的动态小波变换网络预测模型(以下简称DWNN),用于构建频率感知的深度学习模型以进行交通流量数据分析。DWNN模型相比较传统的堆叠融合模型以及单一的深度学习模型,既保留了频率学习中多级离散小波分解的优势,同时可以在深度神经网络框架下对小波基矩阵系数连同其他所有神经网络参数进行微调。经过训练的预测模型可以预测实际的交通流量信息,并最终获得更加准确的交通流量信息。在实验研究中,先对真实数据集进行缺失值修补,降噪以及归一化等预处理,以提高预测的准确性。通过比较本文提出几种模型预测评判指标,验证了本文提出的模型的准确性和有效性。实验结果表明,此预测算法模型简单高效,在一定程度上能有更好的预测精度。与使用单个特征的模型进行交通流量预测的结果相比,本文提出的使用多个特征学习的交通流量预测方法的准确性有了很大的提高。(2)使用DWNN模型进行短期交通流量的迭代训练和预测可以具有较高的准确性,但通过实验发现,随着预测步长的增大,预测精度会开始缓慢下降。为了进一步优化DWNN模型的预测能力,提出了一种基于注意力机制的动态小波变换网络预测模型。通过结合动态小波神经网络模块和双向长短期记忆模型(Bi LSTM)编解码器,利用注意力机制的加权和存储上下文信息的操作反复训练模型,对输出结果和输入序列之间具有高度相关性的序列分配较高的权重,接着利用输出流序列提取相关有用的信息,对未来交通流量数据进行预测。最后根据本文提出的评价指标,对模型进行评估。结果表明,该优化模型可以在保持精确度和鲁棒性的同时增加预测的步长。综上所述,面对短期交通流量预测问题,本文提出的两种模型分别解决了传统或单一特征预测模型在复杂数据处理上的缺陷以及模型预测步长对预测结果的影响两个问题,并结合实验结果验证了两个所提方案的有效性和鲁棒性。