交通流预测是一个经久不衰的研究课题。传统交通流预测方法孤立的从时间序列上寻找交通流的变化规律,或是从空间位置上探求道路间的相似关系,都没能很好地融合交通流的时间特征和空间特征,所以预测准度较差。它们的研究目标大多是一条或几条道路,对城市级别大型路网的交通流预测帮助不大。近几年来,深度学习的发展为交通流预测领域提供了新的方向。本论文以深度学习为基础,研究了区域路网的交通流预测方法,搭建了一个区域路网交通流预测系统,主要工作如下:(1)提出了使用多阶邻接矩阵和图卷积神经挖掘各路段交通流之间的相互关系的方法。该方法可以并行地计算每条道路和其相邻道路的交通流变化关系,因此可以支持对大规模路网的交通流预测任务;通过堆叠多个图卷积层,可以得到更强的模型预测能力。(2)提出使用序列到序列模型挖掘每条道路上交通流的时间特征并进行交通流预测。使用注意力机制捕捉交通流模式的时间多相性并进一步加强多步预测的精准度。在每一个预测时间步上的计算都是矩阵方式并行计算的,因此也可以支持对大规模路网的交通流预测任务。使用开源车辆轨迹数据集测试实验了本文模型,实验结果表明,本文模型在多个指标和角度上表现优于对比模型,多条道路的交通流实际数据和预测数据拟合图像也表明本文模型具有更高的精确度。(3)研究交通流预测信息的应用方式,设计并实现了一套区域路网短时交通流预测系统。该系统能够从第三方地图文件中解析出路网结构,方便用户选择预测区域;提供了离线和实时数据的上传方式;提供了本文预测模型和经典预测模型ARIMA以及LSTM的实现,用户可以选择模型类别定制部分参数并训练和使用模型。最后通过系统测试验证了本文系统的有效性和稳定性。