随着科技与经济的不断发展,越来越多的人们开始对出行方式、通勤时间有了更高的要求。网约车模式的出现丰富了人们的出行方式,在为人们提供便利的同时,也为城市交通拥堵带来了负面的影响。一方面是城市人口数量的不断增多,给城市现有交通基础设施不断施加压力,另一方面是乘用车的保有量越来越高,网约车模式使得一部分人群灵活就业做专车司机,使得交通道路上的乘用车也越来越多。因此如何精准的预测道路的拥堵情况,为司机和人们提供精准的预测结果并推荐畅通无阻的道路是智慧交通的重要组成部分。对于网约车平台,为司机提供快捷无拥堵的道路,一方面可以提升司机接单效率,降低运营成本;另一方面可以为用户提供良好的网约车乘用体验,提高用户对平台的黏性。最近几年,由于GPU等算力不断提高,深度学习技术又再次开始兴起。现阶段,深度学习技术往往基于数据驱动,需要学习大量数据,同时因为交通数据天然的丰富性,使得深度学习技术可以很好的应用在交通数据上。在交通大数据领域的问题上,深度学习技术都表现出极其优异的表现。在现实生活中,存在很多以图结构存在的数据,比如人们的社交网络以及城市交通道路网络等。图神经网络是一种应用于图结构数据上的神经网络,交通道路网络具备天然的图拓扑结构,因此图神经网络相比其它神经网络,比如卷积神经网络,图神经网络可以很好的提取图结构数据的空间特征。本文基于网约车平台滴滴出行提供的开源数据集,提出了一种基于图神经网络的路况时空预测算法。由于在交通道路网络中上下游邻接道路对中心道路的影响是有差异的,因为交通流具备方向性,因此上游邻接道路对中心道路的影响要比下游邻接道路对中心道路的影响更大,所以本文首先对图神经网络进行改进,在提取图空间特征时使图神经网络更聚焦于上游邻接道路的空间信息。将图神经网络的输出结果送入循环神经网络中,与时间序列数据同时进行训练,使模型学习交通数据的时空相关性。最后利用多通道卷积神经网络对历史周期数据进行卷积操作,充分挖掘路况信息内部的交叉特征以及跨时间刻度的路况信息的交叉特征。由于交通数据的是随时间非线性变化的,不稳定,而其空间相关性也是随时间变化的,是动态的,不同时刻的邻接道路对中心道路影响也是不同的。本文基于此提出了一种基于注意力机制的神经网络结构,能够根据历史高阶空间特征向量学习待预测时间片的空间特征向量,为交通拥堵预测问题提供更全面精细的空间特征。本文在滴滴出行提供的开源数据集上进行了实验,选用了基于统计学习、基于机器学习以及基于深度学习的其它工作进行实验对比分析,本文提出的神经网络结构在网约车交通拥堵预测问题上取得了优秀表现。