现代社会城市化进程的加快和人均车辆保有率的增长使城市交通管理面临着巨大的压力。随着计算机、物联网技术的快速发展,智能交通系统在城市交通管理和智慧城市建设中发挥着越来越重要的作用。交通流预测是智能交通系统的基础,精准的交通预测对很多应用来说是必不可少的。当前,交通预测仍然十分具有挑战性,主要体现在两方面:一是由于交通网络中蕴含了复杂的时空关联和非线性变化,导致现有模型的预测精度不够理想,尤其是在长期交通预测方面;二是当前的主要研究工作聚焦于如何提高交通预测模型的精准度,而在一定程度上忽略了特定场景下交通预测的实时性要求。针对上述问题,本文提出了三种新的交通流预测算法,并通过在真实数据集上的实验验证了所提出算法的优越性,主要工作概述如下:（1）针对当前大多数交通流预测算法存在的两个主要问题:对时空相关性建模不充分和学习长期时间依赖效率较低,本文提出了一种异步扩张时空图卷积网络模型（ADGCN）。ADGCN将交通网络中的时空相关性统一表示为异步时空联系并提出了异步时空图卷积以准确、灵活地对其进行建模。随后,为了解决过拟合问题,提高ADGCN模型的长期预测能力,本文将一维的扩张因果卷积推广到图卷积范畴,提出异步时空扩张因果卷积以利用较浅的网络深度获得尽可能大的感受野。在三个真实的交通数据集上的实验结果表明,ADGCN的预测性能优于现有的同类模型。（2）针对现有的大多数交通流预测算法对交通节点间相关性度量方式单一、忽略了节点间丰富的语义信息等问题,本文提出了一种基于多视图图卷积和注意力机制的交通流预测模型（TGANet）,多视图图卷积使用多种度量方式评估交通节点之间的关联强度以构建交通网络的邻接矩阵,结合多头注意力机制分别建模交通数据的全局相关性、局部相关性和细粒度相关性。此外,为了解决注意力机制计算复杂度较高的问题,为多头注意力添加了掩码操作。掩码操作过滤了无关信息,加快了注意力机制的计算速度。实验结果表明,TGANet的性能在大多数情况下优于其他对比模型。（3）针对目前大多数交通流预测模型在特定场景下实时性不足的问题,本文提出了一种基于联邦学习和改进的异步图卷积网络的深度学习模型（FedAGCN）。FedAGCN将交通网络划分为多个子交通网络,每个子交通网络视为一个独立的交通图来训练子模型和云端模型,极大地减少了模型的时间开销和部署成本。此外,为了利用交通路网的拓扑结构以提取交通数据的空间依赖,提出了图联邦学习策略来解决子交通网络间的参数更新问题。同时,FedAGCN对第三章的ADGCN模型做出了改进,使用数据驱动的节点相似度度量方法构建子图的邻接矩阵和异步时空关系矩阵。实验表明,FedAGCN在保证较高预测精度的同时,极大地减少模型的训练时间和推断时间。