对于交通领域的研究者来说,准确的交通流量预测是一个重要的研究方向,因为其能够提高智能交通系统的安全性、稳定性和效率。尽管经过了多年的研究,预测交通流量仍然是一件非常具有挑战难度的且有提升空间的事情,包括但不局限于以下原因:交通流数据在时间和空间维度上表现出非线性和复杂模式的同时,还存在着动态变化的时空依赖关系、未能充分利用交通领域存在的各种异构的信号数据、没有考虑道路通行状态变化对流量的影响。为了应对这些挑战,本文提出一种支持异构数据输入的基于注意力的时空图卷积常微分方程网络（HASTGODEN）用于路网交通流量和路网变动影响预测。在完成流量预测任务之余,并尝试将模型附带学到的交通流变化模式用到路网关键节点分析上,充分挖掘流量预测模型的潜力。具体来说本文的主要工作包括以下几个方面:首先,在交通流量预测问题上,为了充分利用各种有价值的异构信号信息,如路网属性信息、GPS轨迹序列等,本文给出了一套处理方案。结合知识图谱表征学习和因子分解机的优点,针对各种不同异构的数据使用相适应的嵌入表征方法,充分挖掘和使用这些数据。将这些数据变成神经网络可利用的数据,提升了模型理论预测能力上限。其次,在模型主体架构方面,采用基于编码器-解码器的时空图卷积网络结构,分别使用标准的卷积和图卷积操作捕获时间特征和空间模式。并在此基础上增加自注意力机制、常微分方程网络和路网变更更新和变更扩散单元,来应对时空依赖关系和路网结构的动态变化特性,让模型能够根据交通流的变化趋势和路网变更信号动态的调整图卷积的参数。然后,在深圳市和长春市的真实交通数据集上进行了大量的实验研究,结果表明本文提出的基于动态图卷积神经网络的流量预测模型,在深圳200道路数据集上和表现最好的STGODE方法相比降低了17.27%的平均绝对误差（误差减小了3.51）,降低了19.27%的均方误差（误差减小了5.94）。在深圳800道路数据集上和表现最好的AGCRN方法相比,降低了8.33%的平均绝对误差（误差减小了1.11）,降低16.25%的均方误差（误差减小了3.67）。在长春数据集上各种误差也降低了0.1以上。充分证明本文方法不论是在小数据集上还是在大数据集上都有较好的表现。最后,为了挖掘流量预测模型应用潜力,本文提出了一种关键路径分析算法,在经典方法,节点删除法的基础上,用能够学习交通流时空依赖关系的网络模型预测的路网变动打分代替原本的拓扑网络结构特征打分。综合考虑了路网拓扑结构性质、交通流特性以及交通流变化模式,得出更加合理、有效的结论。此外,本文在GPS轨迹数据的基础上,设计了一套基于实时路况和最短路径规划的路网变更影响仿真数据生成算法。本算法综合考虑了用户的行驶意图,道路属性信息以及道路当前的行驶状况,使生成的数据尽可能的符合真实情况。并在长春地图上基于仿真数据集和其他关键路径分析算法进行实验对比。