交通运输是社会中最重要的组成部分,它是一个国家健康、可持续发展的基础。城市化进程的加速给城市交通管理带来了巨大压力,交通流预测是智能交通系统的核心组件,对于缓解交通拥堵等问题有着重要的意义。交通流数据存在复杂非线性的时空关联,然而现有的预测模型并不能完整地提取时空特征,难以推理交通流的变化趋势。本文围绕城市交通流预测展开研究,具体的工作如下:（1）通过对交通流预测的国内外研究现状进行梳理,认真分析了现有模型存在的不足并提出了相应的解决方案。同时介绍了交通流的相关理论知识,为后续的模型构建提供理论基础。（2）为了解决现有模型未能全面获取路网的空间特征,忽略了周期性对交通流量的影响,且缺乏对全局时间依赖的建模能力等问题,本文提出了一个结合Transformer的动态扩散卷积门控循环单元预测模型（TDCGRU）。首先,该模型为了建模路网的隐式连接,使用一个自适应邻接矩阵从数据中自动学习隐式图结构;然后利用动态扩散卷积和门控循环单元对交通流的近期、日周期和周周期三个时间序列进行时空建模,提取交通流数据和路网中的时空特征,并使用Transformer层获取全局时间依赖;最后将各个周期的输出特征进行加权融合,推理出预测结果。（3）为了解决现有模型未能充分捕获路网中存在的时空关系,忽略交通流数据时间模式相似性的影响等问题,本文提出了一个基于多图融合的时空预测模型（MGFGCN）。首先,该模型提出了时间图的定义,目的是用动态时间规整算法去衡量节点间数据的序列相似性并生成一个时间图;然后将多个空间图和时间图融合成局部时空图以充分获取路网中存在的时空特征;最后利用图卷积网络和时间卷积网络对局部时空图进行建模,生成预测结果。（4）在两个公开的数据集PeMS04和PeMS08上进行了对比实验,结果表明本文提出的TDCGRU模型和MGFGCN模型在两个数据集上的评价指标均要优于其它基准模型,并且这两个模型随着时间的增加误差增长速率缓慢,能够胜任交通流的长期预测任务。此外,MGFGCN模型相比于TDCGRU模型获得了更好的预测精度。