随着人们生活水平的提高和出行方式的改变,我国拥有的机动车数量快速增加,从而衍生了一系列交通问题。智能交通作为能够以较小成本缓解交通拥堵的重要措施,越来越受到研究者的重视。交通流预测通过预估路网中交通流的变化趋势,为智能交通中交通管控提供重要的参考依据,从而提高路网的有效利用率,减少路网中的交通拥堵问题。通过研究交通流数据的时空关系,本文提出了一种基于融合相关性的高效交通流长程预测模型,提升了模型的预测性能与预测速度,为准确高效的交通管控提供了决策支持。主要的研究内容与成果如下:（1）针对于简单邻接关系不能对复杂路网进行精细化建模的问题,提出了一种基于融合相关性的交通流预测模型Fusion-ST,该模型主要由图卷积神经网络和自注意力机制两个模块构成。为提高交通流预测的精度,本文使用相关性函数从多个方面分析交通流数据的时空特性。在对交通流数据中小时、天和周等时间关系分析的基础上,本文重点对空间关系进行了系统分析,包括:路网节点的k阶邻域、节点的最短路径和节点相似区域,并对节点之间的相关性进行了有效融合。利用k阶邻域获取节点的局部空间关系,利用距离矩阵获取到路网的拓扑结构,利用区域相似性关系获取到路网中全局空间关系,通过充分考虑时空关系的复杂性保障了路网建模的准确性。最后,在公开的交通流数据集上进行了验证,结果表明本文提出的Fusion-ST在MSE、RMSE和MAPE指标上均超过六种基线模型,分别18.41、30.78、12.44。（2）在模型Fusion-ST的基础上,对数据输入和预测方式两个模块提出了改进方法。针对交通流预测不能解决数据中的周期性时间关系的问题,在模型Fusion-ST的基础之上,提出了一种基于经验划分数据的多尺度交通流预测模型Multi-Fusion-ST。在数据选择中使用改进的多尺度模块,将不同周期的交通流序列分别输入到模型中提取时间特征,提高了模型获取周期性时间关系的能力。此外,针对模型Fusion-ST预测速度较慢和长程预测中误差累积的问题,提出了一种基于掩码的高效交通流长程预测模型Fast-ST,通过使用动态学习率和动态掩码率相结合的方式实现对输入数据去噪的同时引导模型学习到数据的特征。最后在公开数据集上进行验证,结果表明利用数据多尺度特性建模的Multi-fusion-ST在MSE、RMSE和MAPE三个指标上分别提升了1.2%、1.05%和0.3%。基于掩码的交通流预测模型Fast-ST在保障预测精度的条件下,模型预测的速度提升了2-10倍。