交通流量预测是智能交通系统中的重要组成部分,准确的交通流量预测能够为政府和相关部门在分配交通资源、规划交通管制、改善旅客出行体验等方面提供信息支撑与决策支持,有助于降低公共安全隐患,避免交通拥堵,减少环境污染。然而,由于受天气、时间段、节假日、地理位置、周边事件等多种因素综合影响,交通流量具有高度的非线性、复杂性以及随机性等特点,导致交通流量预测难度大,预测精度低,难以满足应用场景需求。本文针对现实生活中的交通站点流量预测问题进行分析与研究,结合站点之间的多种关系进行建模,分别提出了两种时空多图卷积网络模型对站点流量进行预测。首先,针对交通站点之间在多种视角下存在不同的关系,提出一种基于互注意力机制的时空多图卷积网络模型(Spatio-Temporal Multi-Graph Convolutional Network model based on Mutual Attention mechanism,STMGCN-MA)。模型中,先从站点之间的地理位置关系与OD(Origin-Destination)关系两个视角分别构建站点邻居图与OD图,分别用于建模站点之间的流量相似性与流量依赖性。在此基础之上,通过图卷积技术学习得到站点在两个视角下的空间特征表示。进一步,针对两种特征表示之间的高阶相关性,提出基于互注意力机制的信息增强单元,对两种视角下的特征表示进行信息增强。之后使用时间维卷积单元分别学习站点在两个视角下的时空特征,最后通过全连接层以及融合层进行流量预测。随后,考虑到站点间流量的关系强弱会随着天气、时间、交通路况等多种因素的改变而动态变化,构建具有动态边缘特征的图结构,提出动态图卷积单元,在STMGCN-MA模型基础之上,提出基于动态图卷积的时空多图网络学习模型(Spatio-Temporal Multi-Graph Network learning model based on Dynamic Graph Convolution,STMGN-DGC)。具体地,基于动态的边缘特征为图卷积学习一个动态掩码矩阵,该矩阵随着边缘特征在不同时刻的改变而动态变化,对图卷积特征聚合时的权重进行调整,从而利用不同时间区间内站点间的动态相关性学得各站点更好的特征表示。本文将STMGCN-MA模型与STMGN-DGC模型在两个真实交通站点数据集上进行了实验,实验结果证明了两个模型能够有效用于交通站点流量预测,预测准确性优于其他同类型方法,尤其在预测步长较长时,模型在预测准确性上的优势更加明显。STMGN-DGC模型由于考虑了站点间关系的动态性,其预测精度高于STMGCN-MA模型。同时,STMGN-DGC模型由于复杂度更高,参数量更多,较STMGCN-MA模型需要使用更多的训练时间与硬件资源。