随着我国经济的发展,人们对出行方式的需求越来越高,越来越多的人更倾向于选择私家车出行,这导致城市交通变得拥堵。如果能及时做到交通流量预测,掌握道路交通情况,就能够提前对拥堵的道路进行疏通,从而提高城市的机动性,这无论是对于交通管理人员还是交通参与人员来说都有着十分重大的实际意义。但是在实际交通流量如时空数据的预测过程中常常面临两个比较棘手的问题:(1)交通流量数据变化多样,在时间和空间维度上的表现都变化多端,所以交通流量的特征提取成为了交通流量预测中的一大技术难点。(2)由于特征的难以提取,许多现有的模型通过增加网络深度来提高实验准确性,这很容易导致梯度消失、梯度爆炸和网络退化等问题,并且其实验结果也并不理想。为了解决以上问题,本文提出了一种基于残差分析的时空数据预测模型(RAM-TF)用于交通流量预测。为了更好的提取时空数据的空间和时间两种特征,将时空数据分类采集并打包成临近性时空数据、周期性时空和趋势性时空数据三部分用于提取时空数据的时间特征,打包好的数据分别用卷积神经网络(CNN)进行处理以提取时空数据集的空间特征。经过初步卷积后的时空数据通过矩阵相加进行融合(Fusion),为整个模型的集中训练和优化提供方便,同时简化模型。模型用残差网络(Res Net)进行优化,其中残差网络由残差单元串联而来,本文所用的残差单元结构由卷积操作,Relu函数和跳层链接组成。为了使得预测效果更加贴近真实情况,我们还加入了噪声(如下雨、假期等)共同去预测未来交通流量,其中噪声的处理包含两个全连接和两个Relu函数。总的来说,本文的具体工作如下:(1)时空数据划分为三个部分:临近性时空数据、周期性时空数据、趋势性时空数据,以处理时空数据的时间特征;卷积神经网络(CNN)用于对时空数据空间特征进行提取。(2)采用残差网络(ResNet)对模型进行优化:残差网络能够针对性的处理由于网络过深而带来的一系列问题,本文所采用的残差网络由残差单元串联而来,其中残差单元包括卷积操作(CNN)、Relu函数和跳层链接,既做到了特征提取,又做到了优化模型。(3)融合:为了使得模型能够集中训练和优化,模型采用矩阵相加的方法将时空数据进行融合(Fusion),同时又简化了模型。(4)本文提出的模型在残差网络包含的残差单元数为3、4、5、6上分别进行实验,所用实验数据为北京出租车(Taxi BJ)数据和纽约共享单车(Bike NYC)数据。为了证明RAM-TF模型的优越性,我们将提出的模型与五个现有模型在测试集结果上进行对比。