交通流量预测是智能交通系统的基础问题之一,许多应用都是建立在流量预测的基础上,但由于交通流复杂的时空特性,准确的预测交通流量十分困难。随着图神经网络的迅速发展,准确提取交通流量的空间关系成为可能。目前交通流量预测的时空图神经网络模型主要有两种类型。一种是以顺序的方式分别提取空间和时间相关性,通过堆叠模块实现模型构建;另一种是先融合空间特征再提取时间特征进行模型构建。对于第一种类型,由于不同时间不同地点的时空相关性各不相同,并且时间相关性和空间相关性之间是紧密交织在一起的,单独建模可能无法提取到他们之间潜在的相互作用;对于第二种类型,我们认为时间相关性对于流量预测更为重要,先空间特征融合会影响时间相关性特征的提取。针对时空图神经网络模型在交通流量预测中的不足,本文首先提出了一个先时间再空间的时空融合交通流量预测模型,该模型能够动态地提取不同时间不同传感器之间的时空相关性。和单独的时间、空间模型相比,平均绝对误差分别降低了 14%和15%;和顺序时空模型相比,平均绝对误差降低了 9%;和先空间再时间时空融合模型相比,平均绝对误差降低了 11%。实验证明本文提出的时空预测模型具有更好的预测能力。其次,空间关系图的构造是提取空间关系的关键。本文从路网局部相关性和流量数据相似度两个方面出发,构建了五个传感器关系图,发现图的构造的确会对实验效果产生影响,合理准确的图可以提升预测结果,不合理的图甚至会降低预测结果,不同图最好和最差的平均绝对误差相对差距达到8%。此外,我们还进行了空间关系的融合,构造了两种融合模型,结果融合和图融合。实验表明,融合的结果均好于单图预测,同时结果融合又优于图融合。最后,交通流量是受到多方面因素影响的,除了自身的历史数据和路网空间关系外,也会受到如假期、天气、极端事件和交通事件的影响。本文讨论了交通流参数、时间、事件对流量预测的影响,发现选取合适的额外因素,可以提高预测性能。对于多图融合模型,添加时间因素后,平均绝对误差降低了 7%。