伴随着社会经济持续快速发展、城镇化的脚步不断加快,车辆的日益普及,导致交通拥挤加剧,交通环境日益恶化。交通问题在发展中国家和发达国家都成为亟待解决的问题之一。因此,智能交通系统作为一种能有效解决交通问题的手段便成为了人们研究的热点,越来越多的国家开始重视并开展智慧交通系统的建设。道路交通状况的预测更是智能交通系统研究的核心部分之一。目前已有的道路交通状况预测模型可以归纳成两类:传统的统计学习模型和深度学习模型。对于传统的统计学习模型而言,常见的方法有向量自回归（VAR）,自回归移动平均（ARIMA）以及K近邻（KNN）等等。但是模型过于简单的特性,使其不能很好的捕捉城市交通复杂的时空关联性特征。相比传统的模型学习方法,深度学习拥有更深的模型大小和更复杂的模型结构,因此其表现出的结果常常更令人满意。然而已有深度学习方法主要着重于一个或者某几个路段的独立预测问题。一旦将预测的规模扩展到城市级别,现有的工作就会因为产生大量的复杂模型从而陷入巨大的系统开销中。为了能够高效地预测整个路网的交通状态信息,本文提出一个基于深度时空残差网络的区域级交通状况预测模型Deep RTP。不同于此前的研究,本文的方法是对每个区域进行预测,因此能在低开销的情况下对整个城市进行评估。其次,对于频繁出现拥堵的区域,我们则采用LSTM的方法对于该区域的每条路段都进行预测,从而保证最后结果的高精度。具体而言,我们采用了一个名为交通状态指数（TSI）的新颖指标来衡量区域级别的交通状况,并且细致的将原始交通数据划分为邻近数据、周期数据和趋势数据三类,用于区分不同的交通模式。其次,我们还采用卷积神经网络和残差网络的模型来捕获时间和空间两个维度上的关联。基于实际交通数据的实验结果表明,Deep RTP的均方根误差只有1.02,相比于其他的五种基准方法能够实现更高的预测准确性。