城市作为社会经济活动的主要场所,交通路网是复杂城市系统的基本保障。近年来,国内外各大城市的机动车保有量快速增加,导致交通拥堵问题日益严峻,城市交通的出行服务质量严重下降。精确和高效的交通流预测可以有效缓减交通拥堵,有助于城市交通的管理和规划。交通流具有时间特性、空间特性以及非时空因素特性,而交通流预测模型旨在挖掘潜在的交通流模式。因此,如何分析实际的交通流数据,利用数据的时间空间等特征,完成不同时间长度的交通流预测是一个重要的研究课题。本文的主要贡献为以下三个方面:（1）交通路网建模与交通流特征建模。基于图谱理论,利用真实的加利福尼亚交通流数据,生成路网的图结构。进一步对道路拓扑关系以及交通流特征进行分析建模,包括时间特征分析、空间特征分析以及非时空因素分析。本文采用两种不同的思想对时间特征深入剖析,有利于交通流预测模型针对时空特征进行建模。（2）提出了一种基于动态图卷积网络的时空交通流预测模型（i DCGCN）。从交通流的空间特性出发,本文改进了表示路网拓扑关系的拉普拉斯算子。通过设计一个动态拉普拉斯矩阵更新算子,旨在解决经验的拉普拉斯矩阵无法表达动态的路网空间关系的问题。从交通流的时间特性出发,为了提高预测模型短期和长期的预测精度,本文设计了多尺度时间卷积与时间注意力机制,从而实现路网交通流短时和长时特征的自适应学习。在模型框架的设计中,考虑了大型图数据计算复杂度的问题。实验结果表明,模型的预测精度与计算速度均得到提升。（3）提出了一种基于动态傅里叶图卷积网络的交通流预测模型（F-GCN）。基于交通流时间序列分解的思想,数据被分解为周期性与波动性两部分特性。针对周期性特性,本文设计了动态周期性自适应表示学习,该模块可以自适应的学习不同道路的多样周期性特征,且不需要人工设置周期频率参数,同时学习到的周期性表示可与下游网络很好地融合。针对波动性特性,本文设计了动态波动性捕获机制,其中细粒度波动性捕获和时间波动性捕获可以很好地捕获到路网的动态波动特征。此外,F-GCN模型充分考虑了周期性和波动性之间的关系,并使用端对端的方式训练模型。实验结果表明,提出的模型性能优于目前最新的交通流预测方法。