本发明公开了一种面向时间段的LSTM交通流密度预测方法。本发明创造性地提出了交通流密度的概念，得到区域内各车辆的交通流密度数据集，有效反映城市交通热点区域内的实际交通拥堵情况。利用动态时间规整方法在时间轴上进行局部的延伸或缩短，以此更精确地度量交通流密度序列切片间的相似性。利用K‑Means聚类方法，对各交通流密度切片序列按照相似性分类，有利于反映交通流密度的典型模式。针对模式相似的交通流密度数据分别训练神经网络，并对各神经网络输出预测值按时间标签或据聚类中心的距离加权求和，充分利用了数据的序列结构特点。最后利用所在工作日类型相同的过往数据对加权求和结果进行相似日修正，提高算法预测精度。