随着社会的不断发展,城市机动车保有量持续增加,交通拥堵已经成为阻碍城市出行发展的重要问题。为此很多国家通过发展智能交通系统解决交通拥堵问题,而短时交通流预测信息为其提供了数据支持,为出行者提供了实时合理的出行计划,缓解了城市的交通压力。因此,对交通流信息进行实时准确的预测已经成为发展智能交通系统的重要一环。由于交通流数据规模大、时空依赖性强、社会相关性明显等特征,导致交通流预测的时延和准确率难以得到保障。现已有很多学者使用传统应用统计模型、神经网络模型等,根据历史车流量信息来进行未来车流量信息的预测分析,这些模型均没有充分考虑到交通流数据中时空特征和长时依赖性。故本文提出了两种融合时空特征的模型进行车流量的预测,以便提升短期交通流的预测精度。本文的主要工作和创新如下:考虑了车流量的时空特性基础上,提出基于注意力机制的图卷积网络（RES2GCN）模型。该模型首先利用非线性图卷积网络对线性图卷积网络进行调制,再将调制后的图卷积网络进行堆叠进而形成残差图卷积网络,以便更好的提取车流量的空间变化特征,最后利用注意力机制引入权重系数对时间序列进行加权调整,以重建交通流序列。进一步考虑了车流量的长时依赖关系,提出时空图卷积网络（TGCN2S）模型。模型以编码器-解码器为主体。编码部分从输入交通流相关的时空序列中通过T-GCN学习其时空关联性特征和长时依赖关系,GRU解码器基于编码的时空向量值进行解码,以重建交通流序列。为了验证本文提出模型的有效性,采用公开的加州交通流数据集和西雅图交通流数据集进行了实验验证,并且与HA、ARIMA、GCN、T-GCN和A3T-GCN等模型进行了对比,实验结果显示相比其他模型,本文模型无论是在单步长预测还是多步长预测预测精度均有提升,降低了误差率。结果表明,在路网结构复杂或进行单步长预测的情景下,优先选用RES2GCN模型,而对于多步长预测,优先选用TGCN2S模型。