交通流速度预测是通过特定方法分析出历史交通流中具有概括性的交通模式,从而自动生成未来交通流速度的过程。准确的交通流速度预测能为管理部门提供合理的决策依据,为驾驶员提供实时的道路状况预警,是交通领域至关重要的问题。交通流数据属于典型的时空数据,因此基于时空特性的预测成为了当前的研究热点。在实际场景中,交通流数据在固定路网的约束和交通事故等外部因素的影响下,具有整体稳定、动态波动的时空特性,给交通流速度预测带来了巨大的挑战。然而,现有的方法在如何对交通流的动态时空特性进行特征表示、如何刻画各检测点间动态的空间相关性和各时刻间动态的时间相关性等方面仍然存在不足,制约了预测结果的准确性。综合考虑上述问题,本文研究了面向动态时空相关性的交通流速度预测方法,主要研究内容包括:（1）对当前较为流行的交通流预测模型进行了调研和实验,分析了不同时间和空间特征提取方法对预测结果的影响。实验结果表明:在时间维度,基于空洞因果卷积的预测模型能够获得更为准确的预测结果;在空间维度,考虑空间相关性的动态性和有向性能够大幅降低预测误差。因此本文选取空洞因果卷积作为时间特征提取方法,同时考虑动态且有向的空间相关性,为后续研究提供基础。（2）针对交通流的整体稳定、微观动态的时空特性,提出了一种面向动态空间相关性的速度预测模型SDGCN。首先,构建了一种基于编码器-解码器的自分解方法,将交通流划分为受路网约束的稳定分量和被外部因素影响的动态分量。然后,设计了包含两个不同图卷积的双流图卷积层,利用两个分量中不同的空间相关性,提取更具针对性的空间特征。与其它预测模型的对比结果表明,在两个真实数据集上,SDGCN的MAE误差值分别降低了5.08%和4.31%。（3）针对动态且复杂的时间相关性和空间相关性,提出了一种面向动态时空相关性的速度预测模型ASDGCN。在时间维度,构建了一种基于自注意力机制的动态时间注意力,考虑不同时刻间动态的相互依赖关系。在空间维度,提出一种基于多头注意力机制的动态空间注意力,从多个层面学习节点间更为复杂的相互影响关系。与其它预测模型的对比结果表明,在两个真实数据集上,ASDGCN的MAE误差值分别降低了9.04%和6.77%。