随着世界经济发展,各国人民的生活水平不断提高,市民拥有的私家车也在不断增加,然而,交通事故频繁发生,严重影响了市民的生命财产安全。目前,基于机器学习方法进行交通事故预测的研究,有些忽略了交通事故的时间相关性,有些忽略了交通事故的空间相关性。本文提出一种基于双通道的图神经网络（Bi-Merge Spatial-Temporal Graph Convolution Network,BMSTGCN）模型,以解决交通事故预测的问题,它可以有效解决时空相关性,BMSTGCN模型通过两个通道分别预测日周期数据和周周期数据,两个通道均同时利用时间维卷积与空间维卷积来有效捕获交通事故数据的时空关联性,并在全连接层将两个通道的结果融合,以获取交通数据的周期规律。本论文在美国加利福尼亚州洛杉矶高速公路和普通公路的交通事故数据集上进行了实验,结果表明,BMSTGCN模型的预测效果明显优于其他基线模型。本文主要提出了一种基于图神经网络模型预测交通事故的方法,具体研究内容包括:（1）以图论为基础,介绍图神经网络的基本要素以及图神经网络是如何从傅里叶变换推广到图卷积。（2）定义图神经网络模型的重要组成要素。（3）为了解决交通事故数据稀疏性与地图匹配的问题,提出了一种利用网格进行区域划分的方法,该机制有效的解决了交通事故的稀疏性问题,提高了图神经网络模型的表现能力,并优化了模型的运行效率;为了解决交通事故数据的时间相关性,提出了利用日周期数据和周周期数据双通道融合的方法,该方法有效的融合了交通事故数据的时间相关性;为了确保交通事故预测的结果有意义,提出了创建掩模层来提升模型预测的准确性。（4）构建基于深度学习的图神经网络模型,验证图神经网络模型在交通事故预测上的可行性与有效性。