随着信息技术的高速发展,智慧交通建设已成为许多城市发展的新方向。智能交通系统的升级和优化是智慧交通建设的主要内容,城市交通状况预测是智能交通系统实现交通管控和诱导的关键技术之一。一个信息完备、价值密度高的交通数据集可以有效提升交通状况预测的准确度,辅助交管部门实时监控交通整体运行状况并做出正确的决策。现有交通数据集以高速公路单向车道采集数据为主,对于影响交通运行状况的其他因素考虑较少。由于缺乏交通辅助信息,利用这样的数据集进行交通状况分析准确度不高。交通数据本身时空特性复杂,现有交通预测模型仅针对数据的时间特性或空间特性进行分析,交通数据的时空特征提取不完备,造成预测模型精度不高、实际场景利用效率低等问题。针对以上交通状况预测中存在的问题,本文借助网络爬虫技术获取高德地图多个城市的实时路况信息,其中包括西安市308条道路交通数据,西宁市51条交通状况数据及北京市8条主要路段交通数据。所获数据集除交通状况数据外,还涉及到区域天气数据,数据采集单位为2分钟,内含17个主要参数。相较于目前开放的其他数据集,本文所获取的数据集跨度较长,数据量大,信息更为完备。可为准确实时的城市交通状况预测提供有效的数据支撑。本文首先对获取到的数据集进行预处理,包括冗余处理、缺失值填充、语义转换。进而分析数据集中参数的自身特性及相关性,获取数据本身的特征和参数间的相关程度,以便于后续模型选择及数据降维。然后利用深度学习模型对不同时间段（工作日或休息日）的多元参数组合分别进行分析实验,以探讨不同参数组合对交通预测的影响及模型对不同时间段交通数据的敏感性。最后构建一种综合考虑时间、空间特性的注意力机制双向长短时记忆神经网络（Attention mechanism Bi-directional Long Short-Term Memory,ABi-LSTM）模型,利用Bi-LSTM中的记忆单元来学习数据的时间特性;利用Bi-LSTM的结构特征学习数据的空间特性,并用注意力机制实现对特征的自适应关注。该模型在考虑时间特性的基础上,同时考虑纵向多元数据（上下游路段）对交通状况预测的影响,结合注意力机制实现两类特性权重的分配,解决了交通数据时空特征提取不完备导致的预测模型精度不高、不适用于实际场景交通状况评估的缺陷。实验结果表明:基于多元数据交通状况预测比单数据交通状况预测的平均绝对百分比误差降低近30个百分点。同时模型在工作日和休息日下的预测结果符合实际观测规律且较为理想。在考虑时空相关性的ABi-LSTM模型进行的预测结果相较于未考虑空间特性的实验结果,其平均绝对百分比误差可降低20个百分点。对比基准线模型结果可知,本文所提出的考虑空间相关性的ABi-LSTM模型在交通状况预测中具有较高的准确率。