城市的发展导致交通运行压力日益增大,对各种交通问题的解决已刻不容缓,建立智能化城市交通系统是解决这些问题的重要策略之一。交通需求预测是智能交通系统中不可忽视的一部分,准确的交通需求预测在交通管理和城市规划中具有重要意义,由于交通需求存在复杂的时空特性,这是一项具有挑战性的任务。现有的交通需求预测方法主要侧重于对地理位置相邻区域之间的空间相关性进行建模,以及通过一些区域固定特征的相似性对远距离区域之间的空间相关性进行建模。然而,由于这些不变的区域特征,从中获得的空间相关性是静态的。这些方法都忽略了时空相关性会因时间变化而变化,呈现出动态特性,例如区域之间的乘客流向和短期需求相似性,动态时空相关性可以实时反映居民的出行状况,是准确预测需求的重要因素。本文基于深度学习方法对需求预测任务进行研究,主要研究内容如下:（1）基于时空动态多图的交通需求预测。为解决以上问题,本文提出了时空动态多图注意力网络（STDMG）进行区域级需求预测。首先,将区域之间的长期与短期特征相似性编码为多个静态图和动态图;然后,对多个图进行融合实现图信息的输入,通过对这些图的建模来捕获空间依赖关系;最后,通过由ConvLSTM层和注意力层组成的时间注意力模块,结合全局上下文信息来捕捉相邻时空依赖关系的影响。本文在两个真实公开的数据集上进行了四项预测实验,其中STDMG模型对比基准算法均方根误差最高降低了 5.8%,验证了 STDMG在交通需求预测任务上的有效性。（2）合肥网约车短时需求预测。在实际应用中收集到的原始数据与网上公开数据集存在一定的差别,基于这些差别对模型进行改进。合肥网约车原始数据经过多种数据处理方式,实现区域划分,得到合理的数据集。根据合肥网约车需求影响因素分析,在STDMG模型的基础上引入POI图与流向图,并应用到合肥网约车需求预测中。通过与多个模型的对比以及与未改进的STDMG模型的对比,改进后的模型均方根误差最高降低了 3.65%,说明了改进后的模型更适用于合肥网约车短时需求预测任务中。