近年来,交通拥堵问题愈发严重,为减少交通拥堵带来的经济损失及社会影响,利用智能交通系统(ITS)管理和改善交通是十分必要的。交通流量预测是ITS的基础,它通过分析历史交通数据预测未来的交通状况。准确、实时的交通流量预测不仅为相关部门的管理提供了科学依据,而且提高了公共出行的效率和安全性。交通流量数据具有复杂的时空依赖性,这对于其准确的预测具有挑战性。目前,大多数方法都是基于交通流时间序列特征信息进行预测,还有些预测方法考虑了交通网络的空间特征,但倾向于提取交通网络结构的静态空间相关性,而忽略了交通流量数据的动态时空相关性。针对上述问题,本文提出使用时空注意力机制来预测交通流量。主要研究内容及成果如下:(1)为了解决传统方法不能充分提取交通流量数据的时空特征的问题,本文提出了一种基于时空卷积网络(GCN-TCN)的组合模型。该模型包含多个时空卷积层。时空卷积层由用于提取时间特征的门控时间卷积网络和用于空间特征的图卷积网络组成,通过堆叠时空卷积层,可以同时有效地提取交通流量数据的时空特征。(2)针对交通流动态时空相关性难以提取的问题,本文提出了一种基于时空注意力机制(GAT-Att TCN)的组合模型。其中,时间注意力机制基于注意力时间卷积网络,空间注意力机制基于图注意力网络。时空注意力机制的组合有效提取了交通流量数据的动态时空相关性。(3)在加利福尼亚高速公路数据集Pe MSD7和深圳出租车GPS数据集(SZtaxi)上对这两个组合模型进行了仿真,实验结果显示,两种组合模型的预测效果均优于基线模型。其中,GCN-TCN组合模型平均准确率达到92.3%,GATAtt TCN组合模型训练耗时较多,但其预测准确度进一步提高,平均准确率达到93.4%。实验表明,GAT-Att TCN组合模型可以有效地挖掘交通流数据的动态时空相关性,具有较高的预测性能和较好的解释性。