为了对交通流进行多步预测，支持智能交通系统的长期决策任务，基于编码器-解码器（ED，简称CNN Gru）的卷积神经网络（convolutional，neural　networks，CNN）门回归单元（GRU）模型。首先，使用CNN作为编码器捕获交通流序列的信息，然后通过GRU解码器解释和输出上述信息。GRU模型的累积误差在CNNED的实验中被证明是有效的。与其他基准模型相比，CNN和GRU模型在交通流序列的特征提取和解释方面具有优异的能力。对于接下来12步的交通流预测任务，与其他基准模型相比，单因素输入的ED CNN Gru模型在均方根误差和平均绝对误差分别下降了约0.344~6.464和0.192~0.425。与单因素输入相比，ed CNN Gru模型在多因素输入下具有更好的预测能力。实践证明，ED-CNN-Gru模型在不同输入维的多步交通流预测任务中具有良好的预测能力，为不同数据采集条件的城市提供了支持单因素和多因素输入的多步交通流预测模型。