交通预测作为实现智能交通系统的重要一环,受到研究人员的广泛关注。交通状态的变化趋势不仅受时间维度的影响,还受道路空间结构的支配,道路周围用于捕捉交通状态的传感器节点之间的空间依赖不同且会随着时间的推移而发生变化。然而,路网交通状态被时空因素影响的同时,还易受各种潜在交通因素的影响。这些潜在因素的复杂交互不仅引发路网空间依赖关系的差异性,也影响着传感器对交通数据的采集。针对上述问题,本文对时空融合的交通预测模型进行优化,提出了一种空间注意力机制来挖掘道路空间依赖的差异性,并验证了空间依赖差异会影响预测结果。在此基础上提出了基于潜在交通因素解纠缠表示的车流速度预测模型来揭示造成这种差异以及影响交通状况的潜在因素,主要贡献如下:（1）提出了融合空间注意力和图卷积的车流速度预测模型。针对如何提高模型对路网空间依赖差异性的挖掘能力,本文设计了一种注意力机制,通过池化操作对节点进行采样从而得到节点的聚合特征,使模型更关注被采样的节点,同时利用扩散卷积来获取路网的空间特征。然后将空间特征和聚合特征集成到Conv GRU单元中获取路网的时空特征。此外,本文利用调度采样来减少模型在训练过程中对真实样本的依赖。实验结果表明,路网空间依赖差异对预测结果具有影响,且有效地捕获空间依赖差异性可以进一步降低模型的预测误差。（2）提出了基于潜在交通因素解纠缠表示的车流速度预测模型。针对如何揭示引发空间依赖差异的潜在交通因素,本文引入解纠缠的思想对交通数据进行分析,利用邻域路由机制根据不同潜在交通因素的影响将邻域节点分为不同的潜在空间,对不同潜在空间的邻域节点分别进行图卷积从而获取路网的时空特征。此外,为了同时考虑局部和长期的时间依赖关系,本文叠加多层时域注意卷积网络使模型能够感知更长的时间特征。实验结果表明,解纠缠表示学习不仅揭示了时空数据背后复杂交互的潜在交通因素,还能够提高模型的预测精度。