随着城市人口和人均收入的增加,城市汽车使用率显著提高,导致交通拥堵现象日益严重,从而制约了城市的经济发展。交通预测任务作为智能交通系统（ITS）重要的研究内容,能够为城市交通决策提供重要的依据。交通预测是典型的时空序列预测问题,由于交通数据复杂的时空依赖性,实时准确的交通预测一直是一个巨大的挑战。在空间维度上,交通状态的变化受路网拓扑结构的影响,具体表现为上游道路的交通状态对下游道路的交通状态的传递性,以及下游道路的交通状态对上游路段的回溯效应,且这种影响的辐射范围和强度并不是一成不变的;在时间因素方面,当前时刻的交通状态会受到历史时刻交通状态在影响,但这种影响由于外界不可控因素而呈现非线性依赖性,不同时间点的重要性不能仅仅通过时间的接近度来区分。根据以上特点,目前交通预测领域研究的关键性问题包括:①如何确定当前路段与其他路段的关联范围和关联强度;②如何有选择地学习到更远时间点的交通状态对未来交通状态的影响。在本文的研究中,根据交通流在空间上的非线性依赖特点,以及在时间上的动态关联特征,提出时空注意力机制和时空嵌入模块相融合的交通预测模型,能够同时获取交通流在局部和全局上的时间依赖性和空间依赖性,从而能够更准确的预测未来的交通状态。其核心是在时间和空间两个维度均采用了注意力机制的方式来动态的捕获交通特征的非线性依赖性。具体的,在对时间依赖性进行建模时,采用长短期记忆网络（LSTM）来捕捉交通序列在时间维度上的短期变化趋势,即局部时间特征,并在此之后加入一个注意力变换层,来对历史不同时间点对当前时间点的影响程度进行重估,从而获得全局时间特征。另外,在学习交通流在空间上的相关性时,通过图注意力网络（GAT）有选择地汇聚邻近路段的交通状况对当前路段的影响,在一定程度上实现邻居路段对当前路段的关联范围和关联强度的自动选择,从而学习交通特征的空间依赖性。此外,考虑到交通流的变化情况极大程度上受限于路网结构,以及节假日的影响,本文为了更好的提取交通数据的图结构信息和时间日期信息,额外引入了一个时空嵌入模块。具体的,利用图嵌入方法Node2Vec编码路网的拓扑结构嵌入,并根据当前的时间和日期（是否节假日）信息重构时间日期编码,并将二者相加,然后和交通特征向量拼接,输入到时空注意力结构中,来预测未来时间步的交通状况。在实证分析中,将城市道路网络抽象为一个图,将路段作为图中的节点,路段上的属性特征和各种交通特征作为节点的属性,将各个路段之间的上下游交通关系作为图中的边,并选择了某城市真实的道路交通数据,在基于城市道路网的交通预测任务中,验证了本文所提出的模型结构的合理性。将实验结果与交通预测领域经典的模型进行对比,说明本文模型在捕获交通流时空依赖性上的有效性。