交通预测作为智能交通系统中一个非常重要的研究领域,对于出行规划、交通管理和拥塞控制等方面有着非凡的意义。近年来,各种图卷积网络模型层出不穷,极大地促进了交通预测领域的发展。然而,现有的采用图卷积网络的交通预测模型仍然存在对空间依赖关系挖掘不全面、时间特征挖掘不充分以及模型缺乏自适应性等主要问题。针对交通预测模型中存在的问题,结合其研究现状,本文设计出了效果更佳的模型和方法来进一步提高交通预测的性能。本文主要研究工作内容包括以下几个方面:1)针对因空间依赖关系挖掘不全面导致预测性能不高的问题,本文提出一种基于多视图的图卷积神经网络交通预测方法（FMGCN）。该方法从多种角度看待交通大数据中的空间关系,将其建模成图,采用一个针对多图结构特征的融合算法,将多张图融合成一个包含多种空间关系的新图,对其进行图卷积操作捕获空间特征,结合门控递归单元来捕获时间特征,以便更准确的预测交通状态。实验显示,在PEMS228数据集上,与效果最好的传统机器学习方法相比,FMGCN的均方根误差值（RMSE）和平均绝对值误差值（MAE）分别降低了14.4%和5.2%,与单图卷积模型相比,FMGCN的RMSE降低了6.0%,MAE降低了7.8%。2)针对交通预测方法中缺乏时空信息整体上下文特征导致预测效果不稳定的问题,本文提出了一种采用多图卷积注意力机制的预测方法（AMGCGRU）。该方法在时间维度上加上注意力机制,聚焦时间维度上关键节点的信息。同时提出图卷积门控递归单元结构来最大程度的避免特征丢失。通过提高预测方法对整体上下文特征的自适应学习能力,从而实现预测性能的提升。实验显示,AMGCGRU在LOS-LOOP数据集上的15min、30min和45min的预测结果都优于FMGCN方法,RMSE分别降低了4.4%、2.0%和1.1%,MAE降低了7.2%、1.7%和4.6%,证明了本文所提方法的先进性和有效性。