近年来,我国汽车保有量迅速增长,而道路运载能力有限,导致道路供需矛盾日益突出。车流量是反映道路运行状态的主要参数之一,如果能够及时准确地掌握和预测道路上的车流状况,就可以有效地对车辆进行提前疏导,从而提升路网运行能力及运行效率,对交通管理者、运营者和参与者都具有十分重大的意义。流量数据具有高度的非线性和复杂性,对其进行精准预测具有很大的挑战,现有的预测方法大多不能很好地直接利用交通路网结构来捕获数据的动态时空相关性。本文针对这一问题,研究提出利用图卷积神经网络和时空注意力机制来进行交通流量的预测,主要研究内容及成果如下:首先,流量数据在时间维度存在多种固有模式,本文将输入数据划分为多个组件,分别用于捕获数据的近期、日周期、周周期模式,这种多组件划分方法可以充分提取数据的时间维信息,同时减少处理不相关历史信息带来的开销。同时,考虑到交通路网是一种图结构数据,引入图卷积对流量数据的空间特征进行挖掘,并设计时空卷积模块,提出一种多组件时空图卷积网络(MCSTGCN)模型,能够同时有效地提取数据在时间维度和空间维度的特征。随后,设计了一种更巧妙的时空模块,由时空注意力机制和时空图卷积网络组成,其中时空注意力机制负责针对不同场景调整时空节点的相互影响程度,时空图卷积网络基于时空注意力机制的调整结果对数据的时空特征进行抽取,每个时空模块采用残差学习的方式进行训练,由此提出一种基于时空注意力机制的时空图卷积网络(ASTGCN)模型,能够更有效地挖掘数据的动态时空模式。在美国加利福尼亚州高速公路流量公开数据集PeMS上进行了实验。实验结果显示MCSTGCN模型的预测效果明显优于现有的预测方法,ASTGCN模型较MCSTGCN需花费更多的训练时间,但其预测精度得到了进一步提升。实验结果表明本文提出的模型可以有效挖掘交通流量数据的动态时空模式,对其进行准确的预测。