由于近年来经济与技术的稳步发展,机动车得到了广泛普及。然而机动车使用量的增加带来的是交通拥堵和交通事故等严重问题。智能交通系统（ITS）凭借先进的人工智能、计算机通信技术等手段成为解决交通拥堵等问题和提高交通管理质量的有效途径。而作为智能交通系统应用中一项重要功能,短时交通流预测能够提供系统所依赖的准确及时的交通状态信息。针对短时交通流预测问题,本文对基于时空信息的短时交通流预测模型进行了深入研究,主要研究内容如下:从短时交通流预测理论出发,对短时交通流的基本特性、参数及预测流程等内容进行了详细阐述,并在此基础上介绍了ARIMA、SVR及SAEs等经典预测模型,便于后续的实验对比。同时介绍了仿真实验中所采用的分别由美国交通数据研究实验室（TDRL）和加利福尼亚州性能测量系统（Pe MS）提供的两类高速公路交通数据集,以及为保证数据集完整性而进行的数据预处理方法和用于评估模型预测效果的性能评价指标,为后文的短时交通流预测研究工作奠定基础。针对传统极限学习机（ELM）在短时交通流预测中由于输入权重矩阵与隐藏层偏置的随机性影响模型预测精度的问题,研究了一种基于极限学习机的PSO-ELM混合学习模型,借助粒子群优化算法（PSO）中粒子群的迭代寻优能力以寻找上述ELM参数的全局最优解。同时将PSO-ELM混合学习模型与传统ELM模型在不同监测点处进行预测结果的对比与分析,来体现PSO算法的优化能力,并进一步在两类交通数据集上与ARIMA、SVR等经典模型进行对比,验证了PSO-ELM混合学习模型的预测性能。从深度时间特性建模的角度研究了基于时间卷积网络（TCN）模型的短时交通流预测方法。通过TCN中的因果卷积、扩张卷积和残差模块进行深度层次结构的堆叠,并完成TCN深度学习模型的参数设置与搭建工作,实现对短时交通流时间信息的深入挖掘。在不同数据集上的实验结果证明了TCN模型的预测精度比PSO-ELM模型及ARIMA、SAEs等常用预测模型更高,体现出TCN模型对短时交通流深层时间特性较强的表征能力。考虑到存在于多路段中的时空特性,研究了基于两级筛选机制的GCN-GRU组合预测模型。首先构建了由自相关函数、互相关函数和KNN算法组成的两级筛选机制评估周围路段与目标路段的相关性以优化路段组合,同时研究了GCN-GRU组合预测模型,利用图卷积网络（GCN）全局利用路段拓扑信息的优势进一步捕捉空间特性,并通过调节门控循环单元（GRU）隐藏神经元个数增强其对时间信息的记忆能力以提取短时交通流的时间特性。利用实测高速公路交通流数据进行验证,仿真结果表明,采用两级筛选机制对路段进行有效筛选并引入深度学习组合模型,预测性能会得到明显改善,优于TCN和GRU等常用模型预测性能。