随着居民出行需求的日益增长,在线的交通服务系统需要对交通节点间的出行需求进行学习以获知乘客的流动模式并对未来的变化趋势进行预测,这被定义为OD矩阵预测问题。OD矩阵是记录一定时间段内交通网络中所有起点和终点之间交通流量的表格。对OD矩阵的精确预测有助于交通平台在节点间进行交通资源调配,然而现有的研究还没有完美解决这一问题。与车速预测和到达时间预估等其它交通领域的研究问题不同,OD矩阵涵盖了目标研究区域内任意两个节点间的往来流量信息,从而需要研究者深入挖掘节点间的空间相关性。同时,如何对历史序列数据中的时间相关性进行学习也是一个值得关注的问题。因此,本文提出了一个异构时空网络来解决以上OD矩阵预测相关问题。它由异构空间网络和异构时间网络构成,异构空间网络中包含三个异构的空间关系学习单元,分别利用图卷积和多头注意力网络层去分别捕捉交通节点间三种不同形式的空间相关性。异构时间网络中包含两种基于不同注意力机制的时序关系学习单元,它们被用来量化输入序列对目标输出的影响权重。同时,在异构时空网络中还引入了Seq2Seq模型以兼顾短期单步预测和长期多步预测的需求。本文在三个涵盖了不同出行模式的真实数据集上进行了实验,实验结果表明该异构时空网络在OD矩阵预测问题上优于已有的研究方法。具体来说,异构时空网络在出租车数据和地铁数据上与当前表现最佳的模型相比综合性能分别提升了大约3%和7.5%。总体而言,本文提出的时空异构网络模型依靠异构的学习单元挖掘历史OD矩阵数据中的时间和空间相关性,从而对未来的OD矩阵进行长短期的预测。实验证明该方法在多种交通出行场景中均有最佳表现。