针对交通流量特性和外部因素对交通流量预测结果的影响，提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM，将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征，并在卷积神经网络中加入多个残差神经单元来加深网络深度，可提高预测的准确性；利用长短期记忆循环神经网络来捕获交通流量数据的时间特征；利用相应的权重将2个网络的输出结果融合，得到通过轨迹数据预测的结果；最后与外部因素融合，得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证，CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高，而且在保证预测准确率的情况下，模型使用的参数也少.
