在日常生活和出游旅行中,交通拥堵所带来的影响是不可忽视的。对于上下班的人们来说,提前了解早晚高峰的交通拥堵情况,可以有效避免因迟到而影响工作效率的情况;而对于出行旅游的人们来说,一旦遇到拥堵的情况,不仅影响出游的心情,而且极易引发交通事故,带来不必要的损失。因此,实时准确的交通流量预测可以提供路况信息,为人们的出行提供很多便利,同时也有助于交通管理部门更好地管理交通情况。交通流量预测是智能交通系统中的一个核心问题,具有一定的应用价值。交通流量预测问题中的主要研究的是道路网络上的交通流量数据,该类时空数据具有时间相关性和空间相关性,针对这一时空特性,本文分别从这两方面进行研究,设计有效提升交通流量数据预测准确率的模型,主要工作如下:首先,本文提出基于图卷积神经网络与注意力机制相结合的交通流量空间特征学习算法,对于不同节点之间的相互影响程度分配不同的权重,同时引入节点自适应学习,改变了传统参数共享的模式,更好地提高图模型的表达能力,提取空间特征。其次,提出基于时间卷积网络的交通流量时间特征的学习算法,通过因果卷积保证了输入和输出数据的维度一致,而扩张卷积通过设置采样间隔能够灵活控制感受域,对于长度较长的时空序列数据,也能够很好地提取时间特征。最后,建立基于时空图注意力的交通流量预测模型,该模型利用图卷积神经网络与注意力机制相结合的方式提取空间特征,学习不同模式下的参数,提高模型效果;利用时间卷积网络,扩大感受域,更好地捕获时间特征,最后加入残差连接防止网络层数过深所引发的过拟合等问题。为了验证模型的有效性,本文在真实的交通数据集METR-LA和PEMSBAY上进行验证,并与当前常见的预测方法进行实验并分析其性能。实验结果表明,相比于当前主流的预测方法,本文提出的方法有更准确的预测结果,在未来15分钟,30分钟,60分钟的时间段内对交通流数据的预测结果有更小的预测误差。证明了该模型的有效性,为开发鲁棒性更好,准确率较高的交通流量预测系统提供了一定的理论支持。