人群流动往往随着时间空间的推移而快速变化,具有高度时空相关性的特点。人群流量受实际生活规律以及其他因素的影响,使得数据表现出复杂非线性特征。目前,人口的流动聚集加大了新冠肺炎疫情传播风险和日常防控难度,提前掌握人群流动趋向对预防疫情传播,做好提前防控等工作有重大意义。城市人群流量预测影响因素复杂,单一模型效果有限。近几年来,采用基于深度学习的混合模型是城市人群流量预测的研究热点。现有的时序预测模型主要关注人流量时间相关性忽略了城市区域空间特征。针对以上问题,本文提出了一种多维混合神经网络模型,利用图嵌入算法和长短期记忆神经网络建立面向城市人群流量预测的多维混合网络模型。主要研究内容如下:（1）构建一种区域关联有向图。假设区域所在网格中心代表区域核心人流量。将北京市六环内所有网格间的流动关系转换为网格联系强度系数。分析网格与区域所在网格中心的对应关系,将网格联系强度系数作为区域关联有向图的权重,来加强区域联系。（2）针对城市人群活动中存在的高度时空相关性现象,提出了一种多维混合神经网络模型（NDV＿LSTM）用于城市重点区域人流量预测。模型利用Node2vec图嵌入算法将区域关联有向图转换为高维空间向量特征,并结合LSTM对区域人流量时序特征进行建模。同时,模型融合了城市区域类型、区域面积、天气、节假日等多种数据特征,从而提高模型预测准确率。（3）本文在北京市2020CCF人群密度数据集上进行了消融实验和基线模型对比实验。采取均方误差作为评价指标。通过基于区域类型、节假日、天气等特征的消融对比实验,验证了本文模型的有效性与准确性。通过与LSTM神经网络的实验对比,验证了时空特征的加入能有效提高人群预测的准确性。