为了改善交通拥堵问题,许多城市开始部署和发展智能交通系统(Intelligent Transport System,ITS)。短时车流量预测作为ITS的重要基础技术,一直是ITS领域的研究重点和热点。本文利用射频识别(Radio Frequency Identification,RFID)车检数据,分别采用单个与集成(Bagging)的长短期记忆神经网络(Long Short-Term Memory,LSTM)对短时车流量预测开展研究,取得了良好效果。主要工作内容如下:首先,详细总结了现有的短时车流量预测方法,对短时交通流的基本参数、特性进行了分析,并对LSTM相关技术进行了阐述,为后续模型构建和实现奠定了基础。其次,建立单个LSTM预测模型。交通流量具有复杂的历史依赖性等特点,因此,本文选择使用LSTM进行建模,并基于python开源机器学习库实现模型。数据集采用RFID车检数据。通过训练好的模型预测某路口一天的交通流量,验证了模型的准确性。为提高模型的泛化能力和预测准确率,提出基于集成LSTM的短时车流量预测模型。在实现单个基于LSTM的短时车流量预测模型的基础上,考虑节假日、天气等影响因素,通过数据抽取构造不同的数据子集;然后使用不同的训练集和初始权值区间来构建和训练得到多个差异化的LSTM神经网络模型。接着,利用Bagging技术,建立集成的LSTM神经网络模型;通过训练得到每个模型的权重系数,并将几个模型预测值的加权平均值作为模型最终的预测结果。最后,使用训练好的集成LSTM模型进行预测,并与其它模型进行性能对比和分析。结果表明集成LSTM神经网络获得了最低的平均绝对百分比误差和均方根误差,分别是8.86%和7.18,以及最高的平均准确率91.14%,除此之外,在增加数据量时集成模型的预测稳定性也最好。研究表明,基于集成LSTM的短时车流量预测模型具有较高的预测准确率和较强的泛化能力。