交通流量预测任务不仅与相关管理部门调度车辆息息相关,也会使驾驶员避免不必要的交通拥堵。随着产业结构的转变和居民车辆拥有量持续增加,但道路的承载量不足,导致车辆和道路之间的矛盾激增。交通流量反映了路网的运营状态,若提前得知道路上的交通流量走向,则会帮助交通管理者对交通预疏导,节约道路使用者的时间,降低在道路堵塞过程中产生的污染并且美化城市环境。交通流量是一种典型的时空数据,由于其具有规模大、种类多、价值密度低、时空依赖性、社会相关性等特点,所以交通流量预测任务十分复杂且很难预测。现有的很多交通流量预测模型无法兼顾交通流量的时空特性,因此本文提出了两种注意力时空网络以解决交通流量数据的动态时空依赖关系问题,主要研究成果如下:首先,针对路网中高峰时段的交通流量预测精度较低的问题,通过分析交通流量数据的多尺度相关性,提出了一种对时间间隔级、小时级、天级、周级进行多尺度建模的方案。这种多尺度模型不仅对普通时间段的交通流量有效,而且对高峰时段的交通流量可以做到更精准的预测。然后,针对交通流量数据特征的单一性以及交通流量的时空依赖问题,本文提出了一种结合多尺度注意力机制和双向长短期记忆网络的方式,使得交通流量的潜在时间依赖信息被充分挖掘,并使数据集的特征被有效利用。最后,针对交通流量易受天气、节假日等外部因素影响的问题,本文基于两个公开数据集构造出相应的外部因素特征,并将其融合到所设计的注意力时空网络(Attention Spatial-Temporal Network,ASTN)。实验结果表明,针对公开数据集纽约市自行车(NYC-Bike)和出租车(NYC-Taxi),ASTN模型比最新的STDN(2019)的预测误差分别降低了3%到7%。考虑到路网的无向性以及车辆空间依赖的多样性,本文提出了一种利用空间多头(Multi-head)自注意力机制与卷积神经网络结合的特征提取方法。通过对流入和流出的数据分别建模,将与目标区域相邻却无实质性关联的数据忽略,以便获取跨区域流动性较弱的动态空间依赖关系。基于这种新的特征提取方法,本文提出了一种双重注意力时空网络(Dual Attention Spatial-Temporal Network,DASTN)以解决邻域关系较弱的交通流量数据预测问题。实验结果表明,针对NYC-Bike和NYC-Taxi两个数据集,DASTN比最新的STDN的预测误差分别降低了3%到6%。