近年来,我国的电动自行车行业发展十分迅速,庞大的电动自行车保有量为城市管理带来了诸多挑战。道路流量预测是智能交通系统的重要应用之一,道路级电动自行车流量数据分析与准确预测可以帮助城市规划者做出科学决策,进而减轻电动自行车造成的诸多城市管理难题,例如交通拥堵、充电站选址、违章停车等等。机动车的流量数据可通过卡口记录、轨迹数据提取、摄像头记录等多种方式获取,然而目前电动自行车交通流量只能通过轨迹数据间接获取,方式较为单一。此外,电动自行车轨迹数据存在以下特点:1)存在大量停留点,2)高采样频率导致相邻轨迹点的距离较短,3)电动自行车可行驶的路段更多。上述特点导致轨迹难以被快速、准确地匹配到路网,无法为流量预测提供可靠的数据源。另一方面,现有的交通流量预测方法致力于解决高速公路场景下的机动车流量预测问题,没有为复杂城市路网下的电动自行车流量问题提出针对性解决方案。本文从电动自行车轨迹数据的处理与道路级电动自行车流量预测两方面展开研究,电动自行车轨迹数据的处理过程中的地图匹配步骤是提取道路电动自行车流量数据的必要前提,具体内容如下:（1）针对电动自行车轨迹数据存在的特点,本文提出了一种可自适应路网精度的电动自行车轨迹地图匹配方法KFTS-AMM,该方法融合了基于分段卡尔曼滤波算法的轨迹简化算法（KFTS）,和分段隐马尔可夫模型的地图匹配算法（AMM）。首先,利用卡尔曼滤波算法可用于最优状态估计的特性,KFTS能够在轨迹简化过程中对轨迹点进行自动修正,使轨迹曲线变得平滑并减少了异常点对于地图匹配准确率的影响。同时,使用基于分段隐马尔可夫模型的地图匹配算法AMM,避免了部分无效轨迹对整条轨迹匹配的影响。此外,在轨迹数据的处理过程加入了停留点的识别与合并,进一步提升了匹配准确率。在郑州市真实电动自行车轨迹数据上的实验结果表明,KFTS-AMM在准确率上相对于已有的对比算法有较大的提升,并可通过使用简化后的轨迹数据显著提升匹配效率。（2）针对现有交通流量预测方法多聚焦于高速公路场景下的机动车数据预测,因此无法有效利用轨迹数据作为流量预测数据源,并且忽略了道路间动态变化的空间相关性的问题,本文提出了一种基于动态时空图卷积的深度学习网络模型（DSTGCN）,本模型由道路级转移流量嵌入模块、动态空间注意力模块、动态时空卷积模块和最终输出层组成。DSTGCN模型可以捕获复杂城市路网上电动自行车流量的时空动态,对道路间的动态时空相关性进行精细建模,从而对道路上电动自行车流量进行细粒度预测。在郑州市真实电动自行车轨迹数据上的实验结果表明,本文提出的DSTGCN模型相比于基准方法拥有更高的预测准确度。