随着智能交通系统（Intelligent Traffic System,ITS）的发展,交通拥堵预测作为先进的交通管理系统的关键组成部分,对于实现交通规划,交通管理和交通控制有重要的意义。由于其兼具时空特征,即路段之间的交通拥堵状态互相影响而且上一时刻的交通拥堵状态会影响此时刻的交通状态,交通拥堵预测一直是个困难的科学问题。现有预测模型通常忽略了交通流的时空关联性,仅考虑时间依赖或空间依赖性,在捕获空间特征时忽略了路段的全局性和不同路段的空间语义关系,捕获时间特征时常用循环神经网络方法导致梯度消失及爆炸的问题。本文从影响交通的因素角度分析交通信息的时空关联性,对空间结构的语义关系进行分析,提出交通数据的多图表示,并更有效地提取了交通流的时间特征,并在此基础上构建了多图卷积的交通拥堵预测模型,实现了较好的预测结果。首先,考虑到交通预测模型在空间依赖上一般仅仅考虑邻接关系的问题,本文考虑了影响交通预测结果的空间关系的因素,设计了多种空间道路图（邻接图、相似图、可达图）,充分考虑了历史交通模式相似的情况和交通流状态的传递性。在得到多图的信息后,本文使用切比雪夫多项式为图卷积的卷积核,提高捕获空间依赖性的效率,并且达到了较好的预测结果。其次,根据交通流的时间特征,本文采用时域门控卷积,提升网络训练速度且避免梯度消失和梯度爆炸问题。通过门控机制的卷积操作有效的提取了交通信息的历史时间特征。最后,将多图卷积和时域门控卷积集成为一个模型,同时考虑时间依赖和空间依赖,该模型将构建好的多图融合后通过图卷积捕获空间特征,将交通数据作为一维卷积层的输入,然后再将具有时间和空间特征的序列输入到一维卷积层,最终将输出映射到一个单步预测上并输出预测结果。预测结果可以对下一时刻的交通拥堵状态进行预测,为交通拥堵判断提供有效依据。为验证本文所提出模型的有效性,本文在两个交通流数据集Los-Loop和PEMS-M数据集上进行了实验。实验结果表明,本文的多图卷积方法优于其他的对比方法,多图的形式可以更好的考虑传感器或路段间的语义关系,从而更好的捕获交通流的空间特征,设计的消融实验也验证了多图的有效性。与较新的基准模型相比,本文提出的模型在短期交通预测中误差分别降低了2.7%和3.5%,在长期预测中误差分别降低了7.5%和5.9%。