近年来,随着城市化的快速发展,城市交通流量急剧增加。预测城市交通流量在一定程度上可以提高车辆的运行效率,合理调度车辆可以缓解交通拥堵、方便人们出行。然而,时空数据存在复杂的时空依赖关系和周期性,如:在城市路网中,各路段之间存在着直接或间接的联系,因此一个路段的流量变化必然会对其他路段产生直接或潜在的影响;同时由于人类的活动模式具有一定的规律性,所以交通流存在着长短周期的相似性,如:工作日之间流量趋势相似,会出现明显的早高峰和晚高峰。所以,如何建模时空数据的时间、空间关系以及其他影响因素成为准确预测交通流的关键。本文基于CNN提出了一种多任务深度学习方法,设计良好的多尺度注意力卷积神经网络（Attention-based Multi-Scale Multi-Task Net,AMSMT-NET）,联合预测到达的公交车趟数、线路上车内乘客和线路上下客流量。多任务学习框架可以加强每种类型流之间的相互作用,并最终整合输出以实现细粒度的服务级别预测;多尺度模块通过多种不同大小的卷积核以挖掘不同空间范围,详细地建模更为广泛的空间关系;注意力模块通过压缩再激励机制赋予不同时间片和区域不同的重要性,捕获更为关键的时间影响和空间影响;通过编码内外部因素（如地理位置信息、天气信息、节假日信息）,整合了这些因素对交通流的影响。本文基于GCN提出了一种多种嵌入空间的动态时空图神经网络（Multi-Embedding Spatial-Temporal GCN,ME-STGCN）。算法框架核心是首先基于兴趣点（Point of Interest,POI）信息构建一个固定的嵌入空间来保存基于地理位置的图拓扑结构信息。然后基于交通流量历史观测数据学习和构建一个随时间变化的动态拓扑空间结构,自适应调整节点之间的连接关系。同时进一步使用了一个改进的几何聚合器,通过定义不同几何关系的邻居,充分利用图形拓扑结构赋予不同邻居不同的重要性,从而更准确地更新图中每个节点的信息。针对多尺度注意力多任务卷积神经网络,本文基于某一大规模的真实公交运营数据集进行了大量实验,结果表明AMSMT-NET优于十种最新的模型,提高了 22.39%的准确率,并通过模型自身对比,验证了多任务模块、多尺度模块、注意力机制的有效性和可靠性;针对多种嵌入空间的动态图神经网络,本文在实际交通流数据集上进行了大量的实验,结果表明针对公交数据集中的两个任务,ME-STGCN可以提升12%和15%的相对误差。通过模型自身对比,验证了多种嵌入空间的有效性和可靠性。