随着机动车保有量的增加,交通拥堵问题已呈现出全国化、常态化和严重化趋势,智能交通系统凭借先进的信息采集、传输、加工和应用技术,已成为缓解城市交通拥堵和突发事件检测及响应处理的有效措施,在建设智慧都市、智能交通进程中起着不可替代的作用。准确、实时的短时交通量预测不仅能为交通管理部门实施精细化交通管理措施提供依据,还有利于道路使用者进行动态出行路径规划,以此减轻路网压力,缓解交通拥堵,减少不必要的人身安全损失。关于短时交通流量预测的研究一直以来都是计算机和交通领域的研究热点,随着时代的发展、技术的进步,其预测方法不断推陈出新,已经从传统、单一的时间序列模型转为高效、多元化的深度学习网络模型,但如何有效利用交通流时间序列的时间、空间特性,实现高精度的交通流预测仍然是一大难题。本文的主要研究内容和结论如下:本文在分析现有短时交通量预测模型的优缺点的基础上,考虑了交通流的时间、空间特性以及双向长短时记忆网络在处理时间序列数据时的优势,以Keras、Tensorflow等平台为基础,搭建基于卷积-长短时记忆网络（CNN-LSTM）、卷积-双向长短时记忆网络（CNN-BI-LSTM）模型的短时交通量预测模型,其中,卷积神经网络用来捕获交通流数据的短期时间和空间特征,双向长短时记忆网络则能够深入获取交通流数据过去和未来的长期时间特征,两者组合能保证数据的有效利用。另外,为弥补现有研究中优化算法单一的缺陷,本文实现了Radam、Lookahead两个优化算法并利用他们对CNN-BI-STM模型进行改进,进一步提出了基于改进卷积-双向长短时记忆网络模型的短时交通量预测模型。本文首先利用PEMS系统第3区域的交通流数据集进行模型性能验证,之后,构造了以单一检测器交通流、10分钟、15分钟采样间隔交通流为样本的三个数据集进行预测,以验证模型的鲁棒性与可移植性。研究结果表明:（1）相较于其他预测模型,本文提出的CNN-BI-LSTM模型比VAR、SVR、LSTM及CNN-LSTM模型的预测效果更好,经过Radam、Lookahead优化算法改进后的CNN-BI-LSTM模型在MAE、MAPE、RMSE等指标上也都取得了最佳的预测效果,具有更高的预测精度;（2）在优化算法方面,Lookahead优化算法通过指定内部循环优化器并且更新快速、慢速权重的方式,其优化效果优于Radam和Adam优化算法,使得整个模型的预测精度更高;（3）改进后的CNN-BI-LSTM预测模型在单一检测器交通流,10分钟、15分钟采样间隔交通流三个数据集上的预测精度均较高,模型具有较好的可移植性。