本文所探究的主要课题为智能交通中的交通速度预测任务,而城市交通速度预测是智能交通系统中一个基本而必不可少的任务。及时和可靠的交通速度预测对于减轻道路交通压力、协调交通管理和建设智能城市交通发挥着举足轻重的作用。交通速度预测任务旨在预测未来一段时间内沿城市道路边缘部署的所有交通传感器记录的交通速度信息。由于静态的路网结构和动态的路况变化,交通数据本质上呈现时空特性。传统的交通速度预测算法通常为基于统计学习的方法如历史平均算法和差分移动平均自回归算法,这些方法通常在单个交通传感器上执行单步预测,却忽略了道路的拓扑信息和传感器间的交通联系,因此在长时段的超前预测中性能受限。由于交通路网在空间域具有典型的非欧特性,在最近的研究中,研究者开始采用图神经网络用于交通速度预测研究。研究者将交通数据建模为图数据,其中交通传感器视作图中的节点,路段间的连通性建模为边。然而由于复杂的交通拓扑信息和道路交通状况的本质不确定性,要获得准确的预测结果是具有挑战性的。现有的工作通常侧重于在静态图结构上对路段间的空间依赖性进行建模,却忽略了路段之间的联系是动态变化的,并且无法同时在空间域和时间域中提取长范围的交通依赖性。针对上述限制,本文首先利用编码器-解码器的多步预测框架构建了多隐层图卷积神经网络（Multi-hidden-layer Graph Convolutional neural Network,MGCN）,该网络保留了编码器单元所编码得到的所有图信号的时空特征,再将所有隐层表示向量传递至解码器单元来生成多步预测。为了缓解长期预测中存在的信息遗忘问题,本文开发了一个融合注意力模块并将其连接在MGCN的编码器和解码器之间,从而建立了融合注意力-图卷积神经网络（Fusion Attention-Graph Convolutional neural Network,FA-GCN）。该网络可以同时捕捉交通数据中长短期的时空依赖并自适应调整历史输入对多步预测的重要性影响。此外,为了建模不同路段间时变的空间依赖,本文提出了动态图卷积神经网络（Dynamic Graph Convolutional neural Network,DGCN）。该网络为每个时间步都设计了一个动态图结构并利用图更新算法来捕捉传感器间的时变联系。最后,为了捕捉长范围的空间依赖同时减少多层图卷积计算带来的过平滑问题,本文提出了动态多跳图注意力网络（Dynamic Multi-Hop Graph Attention Network,DMGAN）。该模型通过结合动态多跳图注意力层和融合注意力机制从而建模路网中复杂和交错的时空依赖性。本文还在两个真实公开的交通路网数据集METR-LA和PEMS-BAY上进行了大量的实验,实验结果均证明了所提出创新的有效性。动态多跳图注意力网络在超前预测的所有指标上都实现了最优的性能。