城市化进程的加快给现有的运输系统带来了巨大的压力,而智能交通系统是帮助城市管理者进行科学管理和调度的有效手段。交通数据是智能交通系统中的主要研究对象之一,是典型的时空数据,在时间、空间维度上都呈现出多样化的性质,同时也包含了复杂的结构信息。如何充分捕捉时空交通数据的潜在特性,从而精准、高效地提升智能交通系统性能是研究难点。现有的面向时空交通数据的学习方法大多不能直接利用道路网络结构有效挖掘出交通数据的潜在特性。由于交通数据的空间和时间依赖性是紧密交织的,对时间和空间单独建模忽略了空间特征和时间特征之间潜在的相互作用。为了更充分挖掘时空交通数据特征,高效准确地进行交通流量预测,首先提出了时空融合图神经网络,该网络在构建的时空融合图基础上实现了时空同步卷积。然后为了更好地捕获交通数据中的动态空间信息,并且学习多尺度时间依赖关系,在时空融合图神经网络模型架构基础上加以优化,提出了一个基于多种注意力并融合了长短期时间依赖的时空图卷积神经网络。进一步将设计的时空图神经网络与图自编码器相结合,提出时空图自编码器网络,用于目前研究相对较少的交通异常检测领域,能够有效地检测异常。在Caltrans性能测量系统的两个真实数据集和Uber旅行时间数据集上的实验表明,提出的时空融合图神经网络预测效果优于原始的时空分离卷积的时空图神经网络,结合了注意力和多尺度时间依赖的时空图网络模型预测效果优于先进的基线,时空图自编码器模型的AUC指标优于现有的基于图神经网络的异常检测基线。