随着中国城市化建设的加快,居民汽车拥有量的迅速增加,使得道路拥堵状况愈演愈烈。交通流量预测在缓解城市交通拥堵问题上发挥了作用。现有的交通流量预测模型大多都是基于深度学习的,而深度学习模型结构复杂,同时训练成本也较高,无法较好的部署到小设备或用户上。为了能够减少深度学习模型的训练成本,知识蒸馏方法成为了研究热点。本文分析了交通流数据的时空特性,为了能够有效捕获交通流的时间和空间的依赖性,提出了基于改进图波网的交通流量预测模型。同时,本文将知识蒸馏在其它领域上的方法引入交通流量预测任务中,将基于改进图波网的交通流量预测模型作为教师模型,提出了融合知识蒸馏的教师-学生模型,将融合线性分量的动态注意网络模型作为另一个教师,提出了双教师-学生模型,从而尝试解决深度学习模型训练成本大的问题。本课题的研究内容如下:（1）针对时空数据的时间依赖关系,提出了一种三重时间卷积网络。通过将三个时间卷积网络进行有效融合,加强了数据中时间依赖性的捕获。（2）在模型中集成了线性分量。将自回归模型作为线性分量和三重时间卷积网络、图卷积网络的输出相加,以达到线性和非线性的结合,提升了模型的精度。（3）首次将知识蒸馏方法引入到交通流量预测领域。使用了经典的知识蒸馏方式,构建了单教师-学生模型和双教师-学生模型,由教师通过模拟引导学生模型训练,在精度偏差较小的情况下减少时间成本。（4）将方法在两个公开的交通数据集上进行验证,实验结果表明,基于改进图波网的交通预测模型效果优于大部分的对比模型,同时知识蒸馏方法的第一次尝试也取得了较好的效果。