准确地预测城市区域的人口流量，将会为政府和管理部门合理分配城市资源、改善市民出行体验、消除城市安全隐患等提供有效决策支持。城市区域人口流量预测是一个十分具有挑战性的问题。首先，区域人口流量数据属于时空数据，预测模型需要同时在时间和空间维度捕获依赖关系;同时，它还受到诸多外部因素的影响。传统的分析方法以单一区域的人口流动模式作为研究对象，仅仅考虑了区域人口流量变化的局部时空信息，很难对全局状态做出全面准确的估计。因此，本文将充分考虑影响区域人口流量的全局因素，对整个城市区域人口流量进行建模和预测。　　本文采用网格化方法对城市区域进行划分，对任一时间区间和任一城市区域，利用用户轨迹数据对其人口流量进行表示和计算，从而在时间流上得到整个城市区域人口流量的张量表示。针对网格化城市区域间的人口流量预测研究，本文提出了一种基于深度学习的区域人口流量预测模型一时空循环卷积神经网络(STRCNs)，更加合理全面地对影响区域人口流量的各种相关因素进行统一建模，从而更准确地预测一个城市全部区域在多个时间区间的人口流入和流出流量。　　针对城市区域人口流量预测中的时空依赖问题，STRCNs用Closeness、Daily influence以及Weekly influence三个模块分别对区域人口流量中的即时、日常和周期性时间依赖关系进行描述，每个模块均由结合CNN和LSTM的网络结构组成，其中用CNN描述空间依赖关系、LSTM刻画时间依赖关系。　　针对城市区域人口流量预测中的外部因素刻画问题，STRCNs用External influence模块对外部因素进行特征提取学习，此模块是一个两层的全连接网络。对于STRCNs四个模块的输出，STRCNs自动地学习其权重参数并进行加权融合。　　最后，本文分别在北京市信令数据集(MobileBJ)和北京市出租车轨迹数据集(TaxiBJ)上对STRCNs模型进行了实验验证分析。实验结果表明，STRCNs的性能要优于传统的时间序列预测方法以及其他同类基于深度学习的预测方法。