近几年我国汽车保有量迅速增长,汽车出行量激增使城市交通面临着日益严重的管理问题。智能交通系统是为了解决城市交通管理的问题而提出的一套智能化管理信息系统,在保障在解决城市交通问题上有重要作用。交通状态数据是道路通行状态的反映,智能交通系统建设的前提是对交通状态信息的准确把控。而交通状态预测是实现对交通状态信息准确把控的重要方法。对交通状态的准确预测是进行交通引导,缓解拥堵状况的前提,也是建设智能交通系统必须完成的一环。交通状态预测研究大致经历了基于时间序列的预测,基于时空网格的预测,基于图结构的预测三个阶段。基于图结构的预测是当前交通状态预测研究的主流方向,其核心思想是将交通状态数据建模为图结构,再对图数据进行学习以得到交通状态数据的时空特征,根据特征进行预测。本文使用的数据为成都市真实的网约车GPS数据集,首先对数据集的概况进行分析,结合成都市的实际情况选取三个不同职能的区域作为研究对象。然后根据每个区域的经纬度范围,从GPS数据集中抽取三个子集并进行预处理。在预处理中,首先获取每个区域的路段信息,然后将每个区域的GPS数据与路段进行匹配,最后计算出每条路段上每5min的速度与交通量。对预处理后的数据进行时空特征上的分析,分析的结果将作为后续实验中参数设置的依据。在图结构建模的问题上,大多数研究是将交通路网建模为图,交通状态数据作为图中节点特征。这种建模方式将时空特征进行了拆分,难以反映交通路网中存在的不同的时空特征。为了解决这个问题,本文采用了之前研究提出的时空图建模方式,通过扩展空间网络图的结构将时空影响在同一张图表示出来,并采用时空同步图卷积层来进行特征学习。对于时空图建模中存在的时空影响程度计算及人工建模中存在的信息丢失问题,本文在时空同步图卷积中融合了注意力与自适应机制来完善预测模型。最后在真实的滴滴成都数据集上进行了对比实验和消融实验,验证了预测模型设计的合理性和有效性。