随着我国城市化进程的加快,城市交通路网规模日益庞大,汽车保有量不断增加,城市道路交通的高效运转面临着巨大的挑战。同时,交通监管部门也在积极推动智能交通系统的落地,利用各类交通感知手段以数字化方式监测城市交通,因而以数据驱动的交通建模方法逐渐获得了越来越多的关注。然而城市路网作为一个时空高度耦合的复杂模型,高效准确地对其动态特性进行建模十分具有挑战性。因此,本文致力于挖掘路网的交通流特性,实现可靠的短期交通流速度预测,并为此设计了一套从底层数据处理到上层交通流模型建立的完整解决方案:其一,本文根据已有的GPS轨迹数据设计了基于种子生长的地图匹配算法（SGM）。地图匹配将车辆GPS轨迹数据匹配到地图中的实际路段上,使路段携带轨迹的车速等行车信息用于统计路段交通流。本文使用的出租车轨迹数据由上海交通信息中心提供,由于该数据的高频采样特性,传统方法面临匹配效率和精度不高的问题,本文从路段的连接性角度提出了基于种子生长的地图匹配算法。该算法舍弃了传统方法中计算代价较高的最短路径计算环节,通过引入轨迹拟合以及设计一系列生长规则使得该算法具有可并行化、鲁棒性强的优点。实验表明SGM在匹配速度和精度上都显著好于传统方法,其匹配后输出的路径更平滑。其二,本文针对路网拓扑的非结构化特性提出了基于注意力机制的图门控神经网络（AGGN）。本文引入了图神经网络对交通流场景进行建模,将路段交通流信息用图中的节点状态表征,路段之间交通流的传播则用节点之间的连边表征,以此刻画交通流的空间相关性。同时,考虑到同一路段的不同相邻路段对该路段的交通流影响存在主次之分,本文引入了注意力机制用以学习路段之间的相关性。注意力机制使得节点根据彼此的相关性强弱有权重地从周围节点接受信息传播用以更新自身状态,因此模型能够及时注意到来自关键路段的重要信息从而对变化做出快速反应。此外,为了学习交通流的时间传播特征,AGGN将每个时刻节点更新后的状态视为输入序列,利用GRU的时间序列处理能力得到下一个时刻的输出并将其作为预测值。实验结果表明AGGN在交通流速度预测任务上相对基准方法取得了显著的优势,能够实现更精准高效的交通流预测。本文通过对真实出租车轨迹数据的建模,提出了一套完整的短期交通流速度预测解决方案,为后续的路网传播特性可视化、长期交通预测等任务奠定了基础。