在城市发展进程中,汽车增长速度过快、交通基础设施不完备等情况使得交通拥堵问题愈演愈烈。智能交通系统(Intelligent Transportation System,ITS)是一种解决交通拥堵问题的有效手段,而交通流预测作为ITS的一个关键问题,是国内外交通领域的研究热点。准确和实时的交通流预测信息可以为交通管理者提供有力的交通决策依据,同时也可以让驾驶员选择更为畅通的道路出行,进而避免或缓解交通拥堵的状况。本文对交通流预测的国内外研究现状和相关知识进行整理与分析。基于分析现有研究方法的缺陷以及交通流数据的复杂性对交通流预测问题进行研究。主要工作如下:第一,本文提出一种融合时空关联与社会事件的交通流预测方法。一方面,针对道路网络非欧式的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络。另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络实现交通流预测模型。第二,本文提出一种基于多图卷积(Multi-graph Convolution)的交通流预测方法。在对交通流数据的进一步研究中分析得出,除了道路网络拓扑结构产生的空间关联外,还有许多其它形式的语义化的空间关联(如城市功能分区、历史数据表现等)。因此,该方法使用图卷积网络从多源关联中学习潜在的语义特征,并且结合道路网络的拓扑结构对预先提出的模型进行优化,旨在更好的性能。第三,实验评估。在两个真实的数据集上对提出的方法进行了一系列的实验。首先,在不同时间间隔下将本文提出的方法与8种基线方法进行对比,实验结果有力地证实了本文提出方法的性能。与最佳基线方法相比,它将预测误差降低了约3%至6%。其次,对方法内部的组成要素和方法在不同场景下的表现等方面进行研究,意在较为全面地分析本文提出的方法。