目前，基于深度学习的交通流量预测方法存在不足。首先，基于图卷积网络的预测模型使用简化的路网拓扑，忽视了实际交通组织信息，影响预测准确性。其次，基于聚类的预测模型未考虑交通流的区域和时间相似性，未能有效利用时空模式，导致聚类结果对预测提升有限。此外，过大的训练样本增加了训练和预测时间，影响实时性。为了解决上述问题，提出了基于深度聚类的城市卡口短时流量预测模型（deep temporal clustering traffic flow prediction，DTCTFP）。首先，构建包含实际交通组织信息的路网拓扑，利用图卷积网络挖掘卡口间的时空特性；其次，引入改进的动态时间规整和最短路径分析方法，将相似的交通流对象归类到同一簇，使模型充分利用流量、时间、位置等特征信息，提升预测精度；最后利用基于簇的循环神经网络进行预测，提高模型的实时性和计算效率。基于重庆大渡口交通数据进行了实验验证，结果显示，相较于最新基准模型，在MAE、RMSE、MAPE指标上，平均降低了15.02%、10.72%、10.98%，并通过消融实验证实了所提出的聚类方法能够提升14.5%的预测准确性。