随着城市群中各城市之间的政治、文化、经济交流日益密切,城际出行逐渐成为一种重要的出行模式。针对于城际出行时空跨度大、出行目的丰富、出行行为异质性高等特点,本文基于手机信令数据、天气数据、POI数据,分析城际出行时空特征,提出了一种针对城际出行OD需求预测的时空多图卷积神经网络模型,主要研究工作如下:（1）分析了城际出行时空特征。分析了城际出行的节假日和非节假日的每日、每时分布特征,城际出行总量和流入流出分布特征,行程距离分布特征以及城际出行OD空间分布特征等;基于地理位置信息及行程速度识别不同城际出行方式。研究发现,不同日期类型对城际出行量的影响不同,非节假日期间出行量具有明显的周期变化规律;城际出行量空间分布呈现层级结构和核心-边缘结构;城际出行方式识别结果显示,公路出行是占比最高的城际出行方式。（2）构建了面向OD需求预测的特征变量体系。分析城际出行OD需求量的影响因素,利用随机森林选取重要度高的变量作为模型的输入变量,同时考虑天气因素、日期类型,构成城际出行OD需求预测模型的输入变量。为了捕捉不同OD对之间的空间依赖关系,将每个OD对视作为研究节点,建模不同OD对之间的异构空间关联关系,从地理、语义等角度构建了往返关系图、距离关系图、功能相似图构成多图邻接矩阵。（3）提出了针对城际出行OD需求预测的基于注意力机制的时空多图卷积神经网络模型（OD-ST-AMGCN模型）。该模型由输入层、空间卷积层、时间循环层、注意力机制、输出层组成。通过调参选择出使模型效果最优的超参数值。为了验证模型效果,将本文模型与多个基线模型预测结果进行对比分析。并通过预测模型消融实验,分析空间卷积层中的三类空间关系图对模型预测性能的贡献度。最后分别可视化分析模型总体预测结果和不同OD对预测结果。研究发现OD-ST-AMGCN模型在所有模型中具有最好的预测性能;三类空间关系图对模型预测性能都有贡献,其中距离关系图对模型性能的贡献度最高;OD-ST-AMGCN模型能够有效预测具有不同时空特征的OD对需求量,具有很好的泛化能力。通过城际出行时空特征分析和OD需求预测,掌握城际出行人流的移动规律,进而辅助交通管理部门提前感知交通状态,对于保障区域交通安稳、高效运行具有重要的现实意义。图45幅,表16个,参考文献67篇。