随着私家车保有量的不断攀升,交通拥堵现象的发生频率也在日益增长。通过对未来一段时间的交通状况进行实时预测可以为及时疏导车流提供决策指导,从而有效提升交通运行效率。虽然,现存已有较多模型可以应用于交通状况预测,但是,因为交通状况预测不仅存在严重的时空依赖而且对于预测的实时性也有较高的要求,这导致现存模型难以平衡预测精确度与运行效率之间的关系。为了更好地处理交通状况预测问题,本文以两种方式为交通状况预测提出了解决方案:一方面,本文通过创新模型设计的方式来提升模型的精确度和运行效率;另一方面,基于对交通速度实现的精准预测,本文通过学习道路交通拥堵类别与道路交通速度之间的非线性映射关系来直接预测未来一段时间的交通拥堵类别。本文主要的工作包括如下几点:（1）本文设计了双通道时序卷积网络与空间门控卷积块来分别提取交通速度的时空特征。空间门控卷积块可以通过门控机制来控制空间特征与原始时序特征的信息量,这样能够使得模型在进行空间特征提取的过程中保留原始时序特征。另外,通过堆叠多个空洞率不同的双通道残差时序卷积块,对不同抽象维度时序特征进行提取可以有效地提升模型的预测精度。而模型采用全卷积结构的设计,可以使得模型有较高的运行效率,对于一些动态交通速度变化能够更迅速的响应。在真实世界的数据集上与现存模型进行多种对比实验充分证明了本文中提出的模型能够更加迅速、准确、稳定地预测未来一段时间的交通速度。（2）本文提出了一种对双交通度量指标同时预测的深度学习模型。通过模型对于时空特征的有效提取与融合来充分利用两种交通度量指标之间的相关性,让两种度量指标可以互相提供更多有效的时空特征,从而进一步提升对于两种交通度量指标的预测效果。本文在双通道残差时序卷积块的基础上设计出了双通道门控卷积块,并且,在融合层间特征时增加了层间注意力机制,以此来对不同维度的特征进行更为有效的提取和更加具有适应性的融合。（3）本文提出一种全新的时空卷积模型来学习交通拥堵类别与速度信息之间的非线性映射关系,并将这种映射关系应用于未来一段时间的交通拥堵类别预测。该模型改变了以往通过阈值设定进行交通拥堵类别预测的处理方法。并且,为了解决交通拥堵类别数据集中各个类别样本数量不平衡的问题,本文通过设计具有不同类别样本比例的数据集来训练得到对于不同类别拥有不同敏感度的基学习器,并配合基学习器权重更新算法,来有效利用各个基学习器的优势,进而实现更加稳定且准确的预测效果。在两个真实的数据集中,本文提出的速度预测模型SDTCN与现存表现最优的速度预测模型GMAN相比对应的评价指标MAPE平均降低了5.4%。同时,模型的训练时间比现存训练速度最快的模型STGCN减少了22.5%。为了进一步提升模型对于速度预测的预测精度,本文提出一种对于双交通度量指标同时预测的深度学习模型SEDTCN,与预测单一交通度量指标的SEDTCN模型相比,同时预测双交通度量指标的SEDTCN模型实现的TTI与Speed交通度量指标预测对应的MAPE值分别降低了35.1%和15.3%。基于速度的精准预测,本文提出了一种学习道路交通速度与交通拥堵类别之间非线性映射关系的集成学习模型。在深圳市和西安市两个交通拥堵数据集中与SE-DCGCN单一模型相比,SE-DCGCN的集成模型对拥堵类别预测对应的F1-Score提高了34.6%。