土地利用的空间分异诱发了交通需求,引导交通供给建设;交通条件是决定土地利用性质的重要影响因素,二者存在紧密的互动关系。近年来,兴趣点等城市大数据逐步累积,使得网格层面交通与土地利用指标间的非线性关系解读成为可能,但大数据也为系统建模带来了挑战。以往的研究对城市建设滞后性、潜在空间传递、多类用地共同影响交通需求、交通供给设施沿道路和轨道交通站点聚集等重要现象的忽视导致模型精度受限,影响了城市发展规律的辨析。本研究首先面对上述现象背后的难点问题,进行了模型结构的改进。随后基于模型结果以不同类型城市为案例,试图揭示横断面数据反映出的交通和土地利用相互作用规律并探索提出建议。针对交通对土地利用的影响,引入活力和潜力的概念,建立了多维长短记忆网络MDLSTM模型。该模型考虑了土地利用滞后性和潜力传递,具有相对更高的预测精度。结果显示,规模较大的城市,城市主导产业和第三产业的土地利用潜力也较大,受交通的影响越显著。针对土地利用对交通需求的影响,建立考虑多种用地类型对交通需求同时影响的卷积-多维长短记忆网络CNN-MDLSTM模型。该模型精度较子模型（CNN和MDLSTM）和其他网络更高。结果显示,高活力的用地对交通需求影响更大;多种用地类型混合的网格土地利用与交通需求之间联系更紧密。针对土地利用对交通供给的影响,从交通设施数量的高值在道路相邻网格和轨道线路上下游车站所在网格集中的特性出发,建立刻画交通设施数量空间分布规律的卷积-交叉长短记忆网络CNN-CLSTM模型。该模型比传统模型精度更高;结果显示,规模越大的城市集约化交通方式具有更大的发展潜力等。总之,本研究在城市网格层面用神经网络为主的方法,刻画了城市发展的代表性现象,解析了交通与土地利用的互动关系,结果反映出模型对城市规律的有效模拟,案例研究揭示了不同城市的规律差异,以期引导城市与交通良性发展。