随着中国经济社会的进步,机动车拥有量急剧增长,城市交通拥堵等问题越来越严重。为了有效解决交通拥堵问题,智能交通系统被广泛应用于动态交通管理中,而交通流预测作为相关交通管理部门实行管控的重要依据,一直是智能交通系统的重点研究内容。交通流预测是智能交通系统的重要组成部分,准确的交通流预测不仅能够帮助城市交通管理部门进行交通诱导和控制,还可以为出行人员提供实时的具体道路信息,提高道路通行能力。因此,对交通流预测进行深入的研究具有重要意义。交通流本身具有复杂的时空性和非线性特性,这使得交通流预测任务具有很大的挑战性。现有的大多数预测方法没有充分考虑交通流的时空特征,无法深层挖掘交通流的时空关联性,有些预测方法考虑了交通路网的空间特征,但仅限于静态空间相关性,并没有捕获交通流的动态时空相关性。此外,已有的通过时空图建模来捕获交通流时空相关性的方法仍存在一定的局限性。因此,针对上述问题,如何建立能够同时捕获交通流动态时空相关性的预测模型是提高交通流预测准确性的核心因素,也是本文的主要研究内容。本文的主要研究如下:（1）针对无法充分利用交通流时空特征的问题,提出一种基于图卷积网络及注意力机制的交通流组合预测模型（GGCN-SA）,该模型包含图卷积网络（Graph Convolutional Network,GCN）,门控递归单元（Gated Recurrent Unit,GRU）以及软注意力机制（Soft Attention）。GCN用于捕获交通流的空间特征,GRU用于捕获交通流的时间特征,通过GCN和GRU可以有效的捕获交通流的时空特征,进一步引入Soft Attention用于聚合不同邻域范围内交通流的时空信息,以增强模型的预测性能。（2）针对难以提取交通流动态时空相关性的问题,提出一种基于时空注意力机制图卷积网络的交通流预测模型（STAGCN）,该模型由时空注意力模块和时空卷积网络模块组成。时空注意力模块包含时空注意力机制和门控融合机制,空间注意力机制用于捕获交通路网的空间相关性,时间注意力机制用于捕获交通流时间序列的动态时间依赖性,通过时空卷积网络捕获交通流的时空相关性。时空注意力机制与时空卷积网络相结合有效的捕获了交通流的动态时空相关性。（3）针对现有大多数模型使用时空图建模难以捕获交通流的时空依赖性问题,提出一种基于时空卷积网络的交通流预测模型（TS-GCN）,该模型包含门控时间卷积网络模块,图卷积网络模块和时空注意力机制模块。通过构建一个自适应邻接矩阵来学习隐藏的全局深层空间依赖关系,并提出将图卷积网络与膨胀因果卷积网络相结合,以同时捕获时空相关性。同时,使用一种时空注意力机制来学习交通流的动态空间相关性和时间依赖性,并构建了一种门控融合机制以自适应的融合通过时空注意力机制提取的信息,以减小预测过程中误差的迭代传播。综上所述,本文在基于卷积网络和注意力机制方法的基础上,充分利用其模型强大的表征能力对交通流预测问题进行研究。同时,通过大量的实验证明,本文所提出的基于卷积网络的交通流预测方法能够有效的对交通流进行预测,并表现出良好的预测结果。