随着交通拥堵对社会经济影响的日益加剧,智能交通系统的发展完善备受关注。交通速度预测作为智能交通系统研究中的核心任务之一,对于促进我国社会经济的发展以及提高市民的生活质量尤为重要。交通速度会基于真实的路网结构进行动态变化,而现有的大多数时空预测模型没有充分利用交通速度呈现的多种周期性时空动态特性,较难有效地捕获交通速度复杂的时空变化模式;此外,现有方法常忽略天气条件等外部因素的影响,使得预测效果不够理想。为了更加准确地预测交通速度,本文提出了基于时空图卷积网络的预测模型,主要研究内容和贡献如下:（1）针对现有主流模型没有充分利用交通速度的时空动态特性问题,本文提出了全局时空图卷积网络预测模型（Global Spatial-Temporal Graph Convolutional Network,GSTGCN）。该模型通过三个具有相同结构的时空组件,分别针对交通速度的近期、天周期、周周期变化模式进行时空依赖关系建模。每个时空组件利用时间卷积网络捕获交通数据的时间依赖关系,通过带有全局相关机制的图卷积模块捕获局部近邻和全局空间相关性。其中,构建表示交通路网图结构的静态邻接矩阵时,模型不仅考虑了检测器的地理位置信息,还利用检测器周围的感兴趣区域和所在路段特征信息,计算了检测器所在区域功能相似性的影响。最后将三个时空组件基于参数矩阵融合捕获不同周期性分量间的交互。实验结果证明GSTGCN的预测性能优于基准方法,但是在长期预测方面的预测精度不够理想。（2）针对GSTGCN模型存在的不足,本文进一步提出了基于多范围注意力的自适应时空图卷积网络模型（Multi-Range Attentive based self-Adaptive SpatialTemporal Graph Convolutional Network,MRA-ASTGCN）。该模型首先通过动态图生成模块学习交通路网中不断变化的隐式空间关系并且在使用局部图卷积捕获空间相关性的同时,利用多范围注意力机制赋予不同范围邻居信息对应的权重。其次,该模型提出了空洞注入卷积层并且通过结合门控机制构建出时间卷积残差块来捕获交通速度的时间依赖关系。另外,该模型添加了外部因素模块考虑天气条件等外部因素对于交通速度的影响。最后通过融合时空模块以及外部因素模块得到预测结果。实验结果表明该模型预测性能优于现有模型,且长期预测性能相比于GSTGCN明显提高。