近年来,我国的交通系统飞速发展,各类交通工具不仅丰富了人们的出行选择,也拉近了人们的地理空间距离。与此同时,城市的交通拥堵现象日益严重,不仅增加了人们的通勤成本,还容易导致特大安全事件的发生。为了缓解交通拥堵带来的各种影响,城市路况的精准预测显得尤为重要。其中,交通流预测旨在分析交通流的历史规律,从而推演未来的交通演化情况。本文将重点研究交通流预测技术的发展,分析现有研究方法的优势与不足,并提出针对性解决措施。现有的交通流预测方法,按照研究对象的不同可以分为区域级和道路级。区域级的交通流预测方法将城市划分为多个区域,通常预测每个区域内的流量变化情况。现有的研究方法尝试借助图神经网络建模区域之间的空间依赖关系,然而,它们大多以静态图的方式定义区域间的关联强度,忽视了交通流自身的时空动态属性。为此,本文提出一种时空注意力机制,捕捉不同时刻下区域之间各异的空间依赖关系。同时,我们还对交通流序列进行多粒度时序建模,以减少冗余的输入信息。更进一步,为了提升交通流预测的准确性,本文提出了一种多任务预测模型。该模型通过多任务协同机制,有效地增强主任务的预测性能。此外,该方法还设计一种双重注意力机制,进一步增强图卷积网络的空间表达能力。另一方面,道路级的交通流预测则是以路段为研究对象,通常关注每个路段在一定时间间隔内的的行驶速度。现有的方法对不同转向车道的建模较为粗糙,忽视了转向类型所蕴含的各异的交通模式。本文针对不同转向车道独有的异质属性,提出一种能有效感知异质属性的时空图注意力网络,并通过引入领域的先验知识,使得模型能更有效地捕捉路段间的空间依赖关系。本文在真实的数据集上进行了实验验证,并与当前主流的交通流预测模型进行对比。实验结果表明,本文所提出的模型在预测准确性方面具有一定优势,在区域级和道路级交通流预测任务上均优于对比方法。同时,在多步预测实验中,本文所提模型也表现出更稳定的性能。