交通流量预测是缓解交通拥堵的方法之一,而交通流量受到多种因素的影响,使得准确预测交通流量具有非常大的挑战性。目前大多数的交通流量预测方法使用图卷积网络和长短期记忆网络等不同的组件分别获取交通流量的时间相关性和空间相关性。最近出现了只用时空图图卷积来同步处理时空相关性的交通流量预测模型,它们通过构建局部时空图来学习交通流量数据的时空相关性。但是这些模型存在以下问题:第一,这些模型仅使用连续时刻的流量信息来构建时空图,限制了时空图的感受野,不能较快地捕获长期依赖。而且图的结构是人为构建的且是固定的,构建图结构时使用的信息有限,不能充分地表示区域之间的相关性。同时,使用固定图结构的方式忽略了交通数据的动态相关性,即地区之间的相关性可能随着时间发生变化。第二,这些模型一般会堆叠多个相同的学习层来学习交通数据的长期依赖,即具有较大时空感受野的特征,但它们仅使用最后一层的高维特征来预测未来的交通流量,这种做法忽视了未来不同时刻的流量会受到不同时空感受野的流量特征的影响,特别是短期依赖,即具有较小时空感受野的特征的影响。本文针对上述现有工作的不足,提出了改进的交通流量预测模型。本文的主要工作如下:（1）提出了跨邻域时空融合图卷积网络模型。该模型通过节点嵌入表示矩阵学习跨空间邻域节点之间的潜在联系;通过空洞滑动窗口采样跨时间邻域的时空图图信号,并由时空图图卷积层同步学习相应的时间和空间相关性;最后借鉴跳跃知识网络的方法,设置时空融合输出层,充分利用各个时空图图卷积层输出的流量特征表示进行预测。实验结果显示该模型的预测性能优于现有模型,且在短期预测和长期预测上均有较好的表现。（2）跨邻域时空融合图卷积网络模型尽管在预测性能上有所改善,但是没有考虑动态相关性,且计算成本较高。为此,本文提出了动态跨邻域时空融合图卷积网络模型。该模型通过输入的历史流量数据学习各个区域之间的动态相关性,计算得到当前时刻的动态关系矩阵,并基于该矩阵构建新的时空图邻接矩阵。其次,由于新的时空图邻接矩阵蕴含了更丰富的时空关系,不再需要通过多层堆叠的图卷积运算来得到更大时空感受野的流量特征表示,所以新模型减少了图卷积运算的次数,从而减少了模型的计算开销。实验结果显示该模型比现有模型具备更好的预测性能,且计算成本要明显低于跨邻域时空融合图卷积网络模型。