随着中国社会经济的不断高速发展,我国目前机动车保有量快速增长,这一方面见证了中国社会经济的发展,人民生活水平的提高,另一方面也对城市道路的通行能力提出了更高的挑战,城市交通状况不断恶化。虽然各个城市的道路交通基础设施在不断完善,各种交通出行政策不断发布,但是交通拥堵情况仍不容乐观。交通拥堵问题是各个城市面临的难题之一,也是城市发展过程中需要解决的重大问题。移动互联网时代的到来让所有的移动端设备都能成为道路通行能力有力的描绘者,随着互联网技术的不断发展,我们能在移动设备上收集到道路通行数据也日益丰富,道路通行状态预测进入了大数据驱动的时代。本文基于出行平台提供的道路实时与历史的路况信息等数据,借助深度学习相关技术,对多维度交通数据进行分析处理,并构建基于神经网络的预测模型对城市道路通行状态进行预测,本文的具体工作如下:由于交通问题的复杂性,影响道路通行状态的因素有很多,单一的因素不能完全反映道路通行状态,很难做到对城市道路通行状态的准确预测。针对部分预测模型对输入的数据未进行充分处理,未充分挖掘各种因素对交通状态的影响等问题,本文将从多方面分析影响交通状态的因素,挖掘数据之间的联系,如路段长度、车道数、道路等级和道路限速等道路属性信息,道路之间的连接信息和历史与实时的道路状态信息等因素对通行状态的影响,为通行状态预测模型的设计提供思路。针对当前的交通通行状态预测模型大多只关注交通数据信息之间的时间依赖关系,未充分考虑到空间特征、道路属性特征等多维度特征对于交通通行状态预测的影响等问题,本文融合时间、空间、道路属性信息等特征,提出了一种面向时空特征的道路通行状态预测方法。其中基于门控递归单元（GRU）对时间维度进行建模、利用基于子图的图卷积神经网络（GCN）对空间维度进行建模和基于神经网络化的因子分解机模型（NFM）对道路属性等类别特征建模。基于真实数据集的实验结果表明,本文所提出基于GRU+GCN+NFM模型具有良好的预测效果,能够为预估道路通行状态提供辅助决策。