城市人群流动建模与预测研究可为探索城市人口分布、居民活动规律、公共资源配置优化、商业设施选择、公共安全紧急预案制定等提供重要的科学依据。大数据时代,时空大数据与深度学习技术的引入给城市人群流动预测研究带来了新的契机与挑战。现有研究方法缺乏面向城市不规则区域的空间结构对数据进行动态时空特征建模的过程,不具备同时预测人群流量与流向的能力。本文针对现有研究的不足,深入探究基于时空大数据与深度学习算法相结合以实现精细尺度下城市不规则区域间人群流动的精准预测,具体研究内容如下:(1)本文提出一种面向城市不规则区域的人群流动建模方法。首先借助城市公交线路数据,利用形态几何学算法与均值聚类算法将城市划分成指定数量的不规则区域。再提出一种流场生成算法将海量低价值密度的轨迹数据聚合成低体量高价值密度的时空流场数据。最后通过人群流动流场数据分析出城市人群流动的时空特征,并给出区域人群流场的旋度、通量、散度、环流量的公式化定义。(2)本文提出一种自适应时空图卷积网络用于预测城市不规则区域间的人群流动。通过特殊设计的网络模型动态生成适应于捕捉输入时空图序列空间关联的拉普拉斯矩阵,解决了基于区域间距离预定义的拉普拉斯矩阵不能动态跟踪区域人群流动的时变的空间连通状态问题;再采用多种时间维采样方式构建输入时空图序列,配合模块化设计的时空图卷积组件对数据时空特征进行建模,实现对城市内不规则区域间的人群流量与流向的精准预测。在滴滴成都数据集上的实验表明,本文所提城市不规则区域划分方法能精准地将成都市二环局部地区划分成64个不规则区域。所提流场生成算法共生成275MB的城市人群流场数据,仅为原始数据量的0.13%,极大降低了数据的存储消耗。实验对比发现,本文所提模型性能表现要优于四个基线模型,平均绝对误差下降了28.7%,根均方误差降低了37.9%。采用不同输入与不同时空图卷积组件的网络变体性能表现不同,最佳组合可实现近40%的模型性能提升。本文设计城市人群流动预测原型云服务系统从应用层面验证本文研究方法的可行性。本论文有图57幅,表8个,参考文献66篇。