随着城市化进程的加快,城市出行发展所产生的交通拥堵等问题也变成社会飞速发展的阻碍。对城市出行的交通流和车道占用率进行研究预测,不仅可以反映城市建设的资源使用问题,为城市的建设规划提供参考,还能够对人们的出行提供引导,规划智能出行方案。深度学习的兴盛和发展更是为交通预测研究提供了强大的技术支持。交通预测以往的研究侧重点都集中在空间相关性和时间依赖性对交通预测的影响,而忽略了其他隐式因素对交通状况变化的影响。本文提出了两个交通预测模型,首先考虑到时空相关性和车道占用率对车流量的影响,提出了融合时空特征和车道占用率的交通流量预测模型;其次基于空间相关性和车流量和车辆速度两个隐式因素对车道占用率的影响,提出了多组件融合的车道占用率预测模型。本文的主要工作和创新如下:(1)提出了基于时空空洞图卷积的交通流量预测模型,在此模型中,我们不仅通过图卷积和空洞卷积组成的时空块提取历史时间交通信息的时间和空间特征,还在模型中创新性的加入各节点的车道占用率信息,对所提取的特征进行融合,输出预测的交通流预测。(2)基于车道占用率和交通流互相影响的关系,在基于时空空洞图卷积的交通流量预测模型的基础上,提出了面向车道占用率的多组件融合预测模型。此模型的预测对象变更为车道占用率,不仅考虑交通量的时间和空间特征对车道占用率的影响,还加入了车流量和速度作为隐式因素。使得模型融合提取各个特征的组件,对车道占用率进行预测。为了验证本文提出的模型的正确性和有效性,在加利福尼亚州交通局公开的数据集上进行实验,并且与HA、ARIMA、LSTM和STGCN模型方法进行比较,以MAE、RMSE和MAPE三种误差率作为衡量指标,实验得出我们模型减少了误差率和提升了17%预测精度。尽管本文是对交通流和车道占用率进行预测研究,同时能够推广到其他基于时空的多组件预测研究领域中。