随着城市人口和车辆数量的逐年增加,交通治理和规划越来越引起重视,合理的交通规划、公共交通布局可以减少城市拥堵,降低交通安全隐患。为了优化城市交通管理效率和提升市民出行体验,基于网格的城市交通流量预测方法被广泛应用于智能交通系统（Intelligent Transportation System,ITS）中。然而,现有的预测工作面临着许多问题,由于交通流量变化的随机性、在时间和空间关联上的高度非线性以及周期性,精确的预测非常具有挑战性。以往的研究通常将城市划分为大小相同的区域并编码为热力图,对于复杂地形的城市,热力图包含了较多的无效数据,具体表现为某些区域在任意时刻的数据都为零,例如河流、湖泊、山地等区域。无效数据会影响模型对空间关联的获取效果,为了削减这种负面效果,本文将基于网格的交通流量数据编码为图,并提出了一种基于多图神经网络的模型来解决单步交通流预测问题。本文首先通过区域间的欧氏距离和皮尔森相关性系数构建两个K-近邻图,再通过图注意力网络和切比雪夫图卷积构成的空间模块分别获取两个图内的空间关联,最后本文使用LSTM对所有区域的时间关联分别进行获取并且使用自注意力机制和全连接层得到预测结果。此外,在上述工作的基础上,为了提高交通流量预测的效率,本文提出了一种多步交通流量预测模型。在单步交通流量预测任务中,下一步的预测结果取决于之前若干个时间片的数据,如果采用迭代的方法进行多步预测,那么前序时间步的预测误差会传播到后序时间步的预测结果中。为了解决这个问题,本文重点从周期性上对多步交通流量预测时间关联进行建模,从长期、中期和近期三个时间范围构建模型的输入,并且通过注意力机制判断不同周期的数据对各目标时间步交通流量的影响程度,最后本文基于seq2seq模型完成了多步交通流量预测。最后,本文根据重庆市主城区出租车的GPS数据,构建了Taxi CQ数据集并在Taxi CQ和Bike NYC两个数据集上对单步预测和多步预测两个交通流量预测模型进行了评估。实验结果表明,本文提出的预测模型相比其他对比模型都具有较高的预测精度。