交通拥堵日显突出,城市大脑、智慧交通应运而生,物联网、云计算、大数据和人工智能的快速发展,深度学习的应用大行其道。本文建立了基于深度学习的交通状态预测模型,以公交车为浮动车,公交车载GPS数据为研究对象,以速度为主要特征参数进行预测。由于短时交通流具有不确定性、非线性、时空相关性等特点,是一种典型的时空数据。最近几年新兴起的图神经网络,能够给道路网络空间依赖性模型的构建提供新的思路支持。本文在此背景下结合了空间和时间依赖性建模,建立了基于时空特性的交通流预测模型。具体研究内容如下:首先介绍了公交车载GPS数据与天气数据以及获取方法,说明了利用公交车载GPS数据进行预测的可行性与优势,以及天气因素对交通流的影响,其次详细的阐述了深度学习的发展和本文所用的神经网络算法。进而,以基于图注意力神经网络提取的道路网络交通流的空间参数为特征,并利用增加注意力机制的循环神经网络对道路网络交通流的时间依赖性构建了交通流预测模型。最后,采用序列到序列模型进行预测,同时为降低模型复杂度而引入自动编码机制,进行训练时引入计划采样机制,并据此建立起一种改进的交通流量预测模型。交通流预测的研究大多是基于流量参数,本文之所以选择基于速度参数进行预测,是因速度参数相对于流量参数具有短时间内的突变大、波动大等特征,它更能反映短时交通状态,为此探索了基于速度参数的方法,为基于公交GPS数据的交通状态识别提供了新思路。同时,为了更加客观的反映实际,本文在数据集中还考虑了与GPS数据相对应的天气信息数据。实验结果表明,模型在三个指标上都不同程度上表现出较好的预测效果,在精度与结构简易性方面都有一定的改善。