随着城市化进程加快,交通负载压力变大,亟需科学的管理和调度,发展智能交通系统势在必行。衡量交通负载状态需使用交通流量指标,准确预测交通流量对相关交通调度与管理至关重要。目前对于交通流量的预测研究,主要集中于抓取历史数据的时间序列特征,对于道路网中动态的空间相关性特征的分析不足,导致预测模型与真实值有较大偏差。针对这些问题,本文提出了一种基于改进图注意力网络的交通流预测模型,具体工作如下:模型采用编码器-解码器(Encoder-Decoder)的系统架构,其中编码器和解码器都由多重的时空注意力模块组成,来模拟空间和时间因素对于交通条件的影响。每个时空注意力模块由空间注意力机制和时间注意力机制组成,并且通过门控递归单元进行时空特征的融合。输入模型的交通流量数据将由编码器进行编码,由解码器进行预测并输出预测序列。并提出一个时空嵌入模块,将在时间和空间注意力的建模过程中,将道路网结构特征和时间信息纳入其中。针对道路网传播中的错误传播问题,在编码器和解码器架构中加入一个转换模块,来进行转换编码,对历史时间和未来时间之间进行直接建模,通过注意力系数来自适应筛选进入解码器的特征信息,以减少误差影响。然后,本文在真实的数据集上,对模型进行训练并且与现有的典型交通流量预测模型,ARIMA,SVR,LSTM,STGCN,DCRNN等模型进行对比实验,以平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)作为评价标准,在15分钟、30分钟和60分钟的预测上取得了优秀的性能,误差指标有所降低,特别是对于长时(60分钟)的交通流量预测取得不错的结果。进一步对模型的容错能力进行分析,验证了模型在残缺的数据集上具有稳定的预测性能。此外,通过消融实验,充分证明了本文模型中各个子模块对于提升模型的预测性能真实有效。