城市化的快速发展使得相关的交通问题日益严重,其中交通拥堵和交通利用率低下的问题尤为突出。交通流预测旨在根据交通网络中的历史数据等信息预测未来的路网状态,有利于用户提前采取有效的应对措施,是解决相关交通问题的重要方法之一,但是交通流数据存在复杂的时空依赖性,同时时空特征之间深度关联且相互影响。因此如何处理具有非线性和动态性的海量交通数据并进行准确的交通流预测,已经成为智能交通领域的一项具有挑战性的工作。当前交通流预测关注的重点仍然是降低预测误差,本文从提高捕获时空依赖性的能力、建立可以学习时空特征之间关联性的模型以及在预测中利用更多种类的历史数据三个方面进行降低预测误差的工作。使用多头注意力模型和两种图神经网络构建时空注意力网络以更好地捕获时空依赖性,设计门控融合机制对时空注意力网络的时空模块进行融合以捕获时空特征之间的关联性,通过修改Transformer模型实现将长期和短期两种历史数据用于交通流预测。论文主要工作如下:（1）构建一种时空注意力网络,用以捕获交通流数据中的时空依赖性。其中时间模块主要利用多头注意力模型构建,在捕获时间依赖性的同时又避免使用其它交通流预测研究中常用的循环神经网络类的模型,使模块更利于并行化计算。然后针对交通网络中数据的非欧几里得特性,利用多头注意力模型、图卷积网络和图注意力网络构建空间模块以捕获空间依赖性。（2）设计两个门控融合网络,一个用于融合时空模块以学习时空特征之间的关联性,一个用于融合两种图神经网络模块以提高对非欧几里得数据的处理能力。考虑到交通数据内部时空维度的特征具有一定关联性,因此用门控融合网络融合时间模块和空间模块,用以学习时空特征之间的相互影响。此外在空间模块内部,使用门控融合网络融合图注意力网络和图卷积网络以提高对于非欧几里得数据的处理能力。最后在两个真实路网数据集上进行误差对比实验,基于门控融合时空注意力网络的交通流预测方法取得了良好的效果。（3）在门控融合时空注意力网络的基础上,利用修改后的Transformer模型实现了使用长短期历史数据的交通流预测,可以进一步提高预测的准确性。一般的交通流短期预测研究只利用了短期历史数据,而本文利用到了长期和短期两种历史数据,将自然语言处理领域的Transformer引入交通流预测领域,通过Transformer中的多头注意力机制提取长期和短期两种历史数据的时空特征。实验结果明,使用长短期历史数据的预测策略可以在门控融合时空注意力网络的基础上进一步提高预测的准确性。