城市交通流量预测是城市计算中的重要任务,对城市发展以及居民生活服务等具有重要意义。随着智慧城市建设的普及,发达的一线城市已经具有较为完善的智慧交通系统,但是仍存在很多非一线的发展中城市或区域,面临数据缺失和数据收集系统不完善等问题,无法较好地开展交通流量预测和相关研究工作。针对以上的问题,近一两年来,已有一些跨城市计算工作使用迁移学习方法。然而,由于城市居民的出行数据具有独特的时空依赖性,并且市民出行受到如天气环境、城市功能区分布（即兴趣点分布）、路网结构复杂多变等多种城市因素的影响,如何在跨城市迁移学习中充分综合利用这些城市数据特征是一个难题;同时,由于不同交通出行方式数据之间的异质性、不同城市之间的功能区分布以及发展水平的差异性,如何充分地提取不同城市间异构交通流量的共享知识是另一个难题。因此,开展基于跨城市数据的交通流量预测研究对于城市服务水平提高和居民生活服务改善等都是非常重要的。本文主要针对城市历史出行数据稀缺,以及不同城市出行数据的交通方式不同的问题,开展了跨城市交通流量预测研究,主要内容包括以下方面:（1）针对城市历史交通出行数据稀缺的问题,提出了一种跨城市交通流量预测模型（Cross-city Prediction approach by exploiting Hierarchical Correlation,CPHC）,通过模型预训练、空间特征相关性挖掘、流量特征相关性挖掘、共享知识迁移四阶段来训练目标城市预测模型。（2）在跨城市流量预测过程中,针对不同城市之间不同出行方式的问题,提出一种跨城市异构交通流量预测模型（Adaptive Cross-city Prediction approach by exploiting Hierarchical Correlation,ACPHC）,在CPHC基础上挖掘流量的局部相关性,消除了由于流量异构分布所可能产生的负迁移问题。（3）在上述研究的基础上,设计并初步实现了基于跨城市数据的交通流量预测系统。本文使用上海单车数据、上海出租车数据、南京公交数据和海口滴滴数据对模型和系统性能进行测试。结果表明,本文提出的预测模型能够有效地解决历史出行数据稀缺背景下的城市交通流量预测问题,同时该方法可以使用不同神经网络模型作为预训练模型,并可以选取不同的源城市进行迁移,证明了该系统具有一定的泛化性。