城市智能交通系统是建设新型智慧城市的核心。对城市智能交通系统中的具有时空特性的交通数据进行智能分析,获取丰富而有价值的知识,对实现智能交通调度、城市规划等具有重要意义。本论文基于机器学习和深度学习方法,面向城市智能交通系统中的乘客流、车流等时空数据,围绕时空预测、时空模式发现等技术,深入挖掘时空数据中的时间、空间和其它隐藏特征,实现综合性能的提升。本文的研究涵盖了城市道路系统、轻轨系统和公交系统等主要交通场景,充分考虑各场景的特点和相互间联系,所取得的研究成果具有广泛的应用前景。尤其是本文针对动态图网络的时空预测问题提出的深度学习解决思路,对类似问题的深度学习研究具有重大的参考意义。因此,本论文的研究具有良好的应用前景和学术价值。本文研究工作的贡献主要包括:(1)本文提出了一种新的混合机器学习(DTMGP)模型,通过综合考虑时间,OD空间,频率和自相似性等因素,准确地预测短期轻轨系统乘客流量。在该模型中,我们首先应用离散小波变换(DWT)将乘客流量序列分解为一个近似分量和多个细节分量。然后,我们改进了2018年提出来的TRACKING模型并用来进行近似分量的短期预测。我们新提出了一种新颖的混合延迟分量高斯过程模型来预测短期细节分量。为了验证模型的准确性,我们使用了国内某城市两个月的真实轻轨客流数据作为实验数据集。实验结果表明,相比其它方法,我们的混合模型可以实现平均百分之20到30的准确性提升。新模型的预测性能在每天的交通早晚高峰时段表现的尤为突出。(2)图卷积神经网络(GCNN)已成为一个日益活跃的研究领域。它使用基于节点距离的预定义拉普拉斯矩阵来模拟图中节点的空间依赖性。然而,在许多应用场景中,空间依赖性随时间而变化,并且固定拉普拉斯矩阵的使用不能捕获该变化。为了跟踪交通数据之间的空间依赖性,我们提出了一种动态时空GCNN,用于准确的交通预测。我们深度学习框架的核心是利用动态拉普拉斯矩阵估计器发现拉普拉斯矩阵的变化。为了实现低复杂度的及时学习,我们创造性地将张量分解结合到深度学习框架中,其中实时交通数据被分解为稳定的依赖于长期时空交通关系的全局分量和对应流量波动的局部分量。我们提出了一种新颖的深度学习结构设计,基于我们的理论推导,用上述两个分量来估计图的动态拉普拉斯矩阵。在实验中,我们使用了两个真实交通流量数据集评估模型的预测性能。实验结果表明,我们的新型预测模型可以实现高达百分之25的精度提升。(3)本文采集了两个月的国内某城市真实的出行数据集,包括公交和轻轨刷卡数据,涵盖了城市交通出行的主要方式。基于复杂网络和机器学习方法,重点研究城市各类人群在交通系统中移动的时空模式、行程距离分布、行程时间分布、行程间隙分布、社区迁移情况等。据我们所知,本文是目前国内外首个系统的针对不同人群(包括普通人、老年人、学生、残疾人等)的移动模式研究。这些研究结果,能够为相关部门进一步完善城市规划和设计提供充分的理论依据。