随着社会经济的快速增长,城市车辆的存有量在迅速增加。作为先进科学技术的综合应用,智能交通系统通过物联网技术和大数据分析等技术,对交通路网的状况信息进行综合采集,处理分析,预测和决策推荐。智能交通系统提高了交通管理部门的管控水平,也为人们健康出行提供了便民信息。但是,目前很多交通状况预报并不是很准确,主要原因是作为基础技术的交通流预测不够精确。现在广泛应用的交通流预测方法主要是把交通流的历史数据看作时间序列进行预测,这样会忽略很多关键信息而导致预测结果不准确。一些基于深度学习的方法虽然考虑了交通流的时空相关性,但是它们没有考虑其他外源因素的影响,导致预测的结果不够精确。近年来,图卷积网络的研究大热后,如何利用深度学习模型对城市路网上的交通流进行更精确的预测引起很多学者的研究和关注。本文对城市路网的交通流进行建模分析,并对未来时刻交通流进行研究和预测,提出了一种时空动态图卷积网络(STDGCN)对城市路网上交通流的平均车速进行预测。城市路网中的交通流具有时间动态性和空间相关性,本文将城市区域范围的道路网络看作是图结构,道路上的传感器是图的节点,传感器安装位置之间的路段看作是边,而传感器收集的数据则看作是节点的属性。本文综合考虑交通流的时空相关性特点,将城市路网的交通流建模为图上的随机游走过程,使用图卷积网络获取空间相关性特征。另一方面,把每个时刻的交通流信息看作是一个图数据,每个节点的历史数据看作是一个时间序列,通过GRU网络和编码器-解码器结构来处理交通流数据的时间动态性。并且在编码器-解码器的结构上使用注意力机制作为竞争性的选择用来衡量历史状态和预测状态的相似程度。本文还考虑了外源因素对交通流的影响,以尽可能建模交通流的不确定性特征。本文加入了时段,工作日标记和交通事故标记三个外源因素,通过外源因素更加针对性地关注不同节点之间的显著关联。在两个真实世界城市路网数据集上的实验表明,外源因素对交通流预测具有积极作用,本文所提出的模型可以有效挖掘城市路网交通流的时空动态模式,并对其进行准确预测。