近年来,经济的飞速发展带动了人们生活方式的转变,与此同时,社会交通路网也渐趋复杂,而人们对于出行效率以及公共安全的意识也在不断提升,因此一个准确的交通流量预测不仅对政府在交通管理和安全防范有着不可小觑的作用,而且对大众的出行体验与人身保障有着至关重要的意义。例如,准确的预测出租车需求可以提高车辆调度效率,减少交通拥堵;准确的共享单车预测可以降低运营成本;准确的人群流量预测可以提前预防踩踏事件的发生。交通流量预测,即在给定一系列的历史观测数据,通过建立深度学习模型来预测未来交通值。提高预测精度的主要挑战在于,第一,交通流量数据具有邻近性、周期性和趋势性的特点,如何更准确的捕捉预测时刻与它们之间的潜在相似规律是一大难点;第二,交通流量作为时空序列数据具有时间上和空间上的相互影响,如何更精确的抓取时空特征是另一难点。本文针对这两大难点,提出了两种基于时空特征抽取模块和注意力模块的交通流量预测模型,时空特征抽取模块用于捕捉时空特征,注意力模块用于获取预测数据与历史数据（邻近性数据、周期性数据和趋势性数据）的潜在相似性。本文提出的模型方案一是基于时序依赖注意力（TDAM）和时空特征抽取（STCEM）的交通流量预测网络（TDAConv LSTM）,首先,时空特征抽取模块由卷积神经网络（CNN）和卷积循环网络（Conv LSTM）组成,用于建模复杂的时空特征,其次,时序依赖注意力模块用来注意邻近性数据与预测数据的潜在规律,最后将时序依赖注意力模块的输出与时空特征抽取模块最后时刻的输出融合放入反卷积神经网络（DCNN）中得到最后的预测数据。本文提出的模型二是基于多注意力机制（MAM）和新时空特征抽取（NSTCEM）的交通流量预测网络（MAPred RNN）,首先,新的时空特征抽取模块由卷积神经网络（CNN）和预测循环网络（Pred RNN）构成,用来捕捉交通数据的时空特征,其次,多注意力机制包括邻近性注意力模块、周期性注意力模块和趋势性注意力模块,分别用于捕捉预测时刻与交通数据特性（邻近性、周期性和趋势性）之间的潜在规律,最后,聚合邻近性注意力模块的输出、周期性注意力模块的输出、趋势性注意力模块的输出和新的时空特征模块的最后时间步的输出,输入反卷积神经网络（DCNN）中,得到最终的预测数据。此外,本文分别基于两个真实世界的数据集对提出的深度学习方法进行了实验测试,结果证实TDAConv LSTM和MAPred RNN实现了更好的预测结果。