交通流预测作为智能交通系统（ITS）中最重要的组成部分之一,交通流预测近年来受到了广泛关注。它的目的是根据交通流的历史分布,预测一定时期内城市交通流分布的变化。准确、实时地预测交通流量,对规划车辆运行轨迹、缓解人群拥挤、为道路建设和交通疏导提供辅助参考具有指导作用。提取和利用空间特征和时间特征对实现有效交通流量预测具有关键作用。以往的基于深度学习的方法主要从交通流数据中提取空间特征和时间特征,但这种方法忽略了道路拓扑和结构信息。基于图的算法通过对道路拓扑结构建模来提取空间特征,然而将城市中成千上万条道路建模为图并进行图计算会导致方法的运算复杂度大,运行效率较低。此外,在进行时空特征提取时,基于循环神经网络（RNN）建立模型是常见的方式,但这种模型存在梯度消失的风险,这使得模型难以训练和收敛。另外,由于RNN前向计算是串行的,其通过多次迭代的方式提取特征,相比于可以并行运算的卷积神经网络（CNN）,RNN的计算效率较低。为了解决以往研究的局限性,本文提出了两个基于深度学习的交通流量预测模型,分别为时空循环神经网络模型（SPRNN）和时空注意力三维卷积神经网络模型（STA3DCNN）。在SPRNN中,不同于以往的模型,本文通过基于计算机视觉处理的方法提取道路结构的属性信息（如道路连接、道路密度、道路宽度等）来构建空间特征,具体是利用CNN从具有道路结构信息的城市地图中获取城市道路特征。此外,SPRNN中还实现了 一种新的序列特征融合机制,将不同时间尺度的空间特征和时间特征进行融合,实现了人流的时间特征和道路的空间特征融合。针对RNN串行结构带来的局限性,在STA3DCNN中引入了三维卷积以并行高效地针对时空特征进行提取。本文的主要贡献可以总结如下。1)为了解决仅从交通流量数据中提取时空特征时从而忽略了实际道路结构和将所有道路建模为图带来的计算复杂度高的问题。在SPRNN中,设计了基于CNN的特征提取模块（SP-Net）,该模块从城市地图中捕捉空间特征。空间特征包含道路结构的细粒度信息,如道路连接、道路密度、道路宽度等。然后将不同时间尺度的空间特征和时间特征进行融合,以准确预测交通流量。2)针对基于RNN的方法无法并行地提取时空特征,以及由于其基于迭代的运算特性带来的运算效率的问题,本文提出了 STA3DCNN模型。该模型中引入了基于注意力机制的三维卷积神经网络（3D-CNN）针对时空特征并行高效地进行提取,同时通过优化时间特征聚合方式,降低了计算复杂度,提高了计算效率。3)本文在三个交通流预测领域的基准数据集上进行了大量详尽的对比实验,以评估本文提出的预测方法的性能。实验包括,短时单步预测与长时多步预测的对比实验,模型参数量大小以及运行效率比较,以及本文方法各个组件的有效性实验。本文提出的时空特征预测方法在预估准确率上有明显提升,并且保持模型消耗较少的运算资源。同时,与当前具有代表性的交通流量方法相比,本文方法达到了预估错误率最低。