随着城市化进程的不断加速和汽车数量的日益剧增,交通拥堵、噪音污染和环境恶化已经成为各个城市普遍面临的难题。智能交通系统的兴起为各个城市解决这些问题提供了新思路。作为智能交通系统的重要组成部分,交通流量预测旨在根据历史交通流量预测未来交通流量,为管理者和出行者提供准确、及时的交通信息。通过提前了解交通信息,管理者可以实施科学的交通干预策略来缓解交通拥堵问题,出行者可以提前规划或调整交通路线。因此,实现精准的交通流量预测对于建设城市智能交通系统具有重要的意义。然而,由于交通流量变化模式的不稳定性和交通网络空间结构的不规则性,到目前为止准确可靠的交通流量预测仍然是一个巨大的挑战。近年来,随着深度学习理论研究的不断推进,越来越多的研究者开始采用深度学习技术来构建预测模型,以提升交通流量预测的准确性。然而,现有的基于深度学习的预测模型仍然存在着一些缺陷。首先,由于交通流量数据之间具有隐含的关联性,现有的深度学习模型无法直接识别和利用这些关联性,从而难以准确地捕获交通流量的时空依赖信息,进而无法获得精确可靠的预测结果。此外,由于某些路段只部署了少量的传感器或部分传感器发生故障,导致无法记录充足的交通流量历史数据,导致深度学习模型因样本量不足而训练不充分,进而无法维持强健的预测性能。为了有效地解决上述问题,本文分别考虑交通流量历史数据充足和不充足的两种情况,构建了相应的基于深度学习的交通流量预测模型。本文的创新点概括如下:（1）针对交通流量历史数据充足的情况,提出了一种基于时空数据嵌入和动态图卷积神经网络的交通流量预测模型。在交通流量历史数据充足的情况下,本文提出了一种新的时空数据嵌入方法以量化交通流量之间隐含的关联性。此外,为了全面提取交通流量的时间特征和空间特征,本文提出了一种新的多尺度卷积神经网络和一种新的动态图卷积神经网络。具体而言,在时空数据嵌入阶段,时空数据嵌入方法将原始的交通流量映射到向量空间,并将每个交通流量转换为相应的向量表示,以此作为深度学习模型的输入。在时间特征提取阶段,多尺度卷积神经网络通过充分利用交通流量向量中包含的关联信息来提取高层次的时间特征。在空间特征提取阶段,动态图卷积神经网络通过为不同的时间段生成不同的动态关联图来捕获传感器之间动态的关联性,从而有效地提取深层次的非欧几里得空间特征。最后,为了证明所提出模型的优越性,本文使用了2个真实的交通数据集、3种模型性能评估指标和14种基准模型来进行一系列实验。实验结果显示,本文所提出的模型能够在多个预测区间中对交通流量进行准确的预测,且其性能优于其它基准模型。（2）针对交通流量历史数据不充足的情况,提出了一种基于合成数据和多图卷积神经网络的交通流量预测模型。虽然时空数据嵌入方法能够有效提升深度学习模型的预测精度,但是训练深度学习模型需要大量的交通流量数据。考虑到某些路段传感器记录的历史数据不充足,无法满足深度学习模型的训练需求,导致难以获得令人满意的预测结果。为此,本文提出利用合成数据来帮助训练更加稳健的深度学习模型。具体而言,本文提出了一种新的时空依赖性生成对抗网络,利用交通速度和占用率作为潜在变量来生成高质量的交通流量合成数据,为深度学习模型提供更多的交通信息。此外,为了在真实交通流量数据不充足的情况下全面地捕获传感器之间的关联信息,本文提出了一种新的多图卷积神经网络,从多个角度对传感器之间的关联性进行建模（特别是隐藏的异质关联性）,以实现非欧几里得空间特征的深度提取。最后,为了验证所提出模型的预测性能,本文使用了2个地区的真实交通数据集、3种模型性能评估指标和13种基准模型来进行一系列实验。实验结果表明,相较于基准模型,本文所提出的模型在多个预测区间中都能有效地提升交通流量预测的准确性和稳定性。因此,本文关于基于深度学习的交通流量预测模型的研究,对于提升交通流量预测的准确性和稳定性,缓解城市的交通拥堵问题,实现绿色交通和城市可持续发展等具有重要的理论和现实意义。