准确、及时的交通流预测能帮助人们提前规划行车路线,帮助相关部门合理地调配交通资源,减少道路拥堵情况的发生。但是受交通流数据间复杂的非线性时空依赖关系以及各种意外交通状况的影响,交通流预测任务长期以来一直被认为是一项充满挑战性的研究课题。现有的交通流预测模型难以充分挖掘数据中隐含的时空特性,对数据的时空依赖关系建模不完备,针对此问题,本文提出了两种基于自适应图卷积的交通流预测方法。（1）提出了一种基于时空嵌入的自适应图卷积交通流预测模型。现有的基于图卷积的交通流预测模型通常将交通网络设置为固定的图结构,然而,交通节点的空间依赖关系受早晚高峰等现象的影响会随时间发生动态变化。为了解决这一问题,本模型将交通网络的结构建模为一个时变的有向图,通过时空嵌入的方式从节点特征和时间点特征中学习交通节点之间动态的相关性,并使用双向图卷积结构处理流入节点和流出节点的空间信息。针对时间关系的建模,本文设计了一种长短期时间卷积网络,该网络可以学习交通流数据在时间维度上的短期和长期依赖关系。除此之外,设计了一个基于注意力机制的特征转换模块,通过在未来数据和历史数据之间建立直接联系,以减少长期预测的误差传播问题。将提出的模型与交通流预测算法中的多个经典模型进行对比,实验结果表明提出的模型在四个大型公开交通流数据集上均取得了最佳预测精度。（2）提出了一种基于注意力机制的自适应图卷积交通流预测模型。上述模型在空间关系建模时只考虑了交通网络结构对预测结果的影响,而忽略了交通状况同样会对节点的空间依赖关系产生影响。为了解决这一问题,本文在上述模型的基础之上添加了一个空间注意力模块,通过自注意力机制自适应地从数据的隐藏特征中学习交通状况对节点空间关系的影响。针对时间关系的建模,提出的模型设计了一种多核时间卷积网络,通过在每层的时间卷积中堆叠多个卷积核,使模型不仅能学习到数据短期和长期的时间依赖关系,还可以捕捉到数据中隐含的不同尺度的时间模式。从四个大型公开交通流数据集上的实验结果可以看出,相比上述提出的基于时空嵌入的自适应图卷积交通流预测模型,该模型的预测精度有了进一步的提升。