交通预测问题是共享车辆的按需出行(mobility on demand,简称MoD)系统中基础问题之一,是保证共享车辆按需出行系统的平稳运行,解决由于交通路网内车辆数量的急剧增加所带来的居民的生活质量问题以及社会的城市化建设问题的前提。近年来,基于深度学习的数据建模算法因其强大的数据表征能力得到广大学者的青睐,其广泛应用为解决交通预测问题提供了新的思路。然而,基于深度学习的算法在交通预测领域仍存在以下局限性:长短期记忆循环神经网络虽然能够充分提取序列数据在时间维度上的依赖关系,但是该方法难以对交通数据内部空间相关性进行建模。此外,卷积神经网络虽然能够充分提取数据空间依赖关系,但是由于其对数据采样固定在几何区域范围内,导致卷积神经网络在对交通数据空间依赖关系建模时特征提取不够充分。为了克服上述局限性,本文针对长短期记忆循环神经网络、卷积神经网络进行扩展,并结合图注意力机制等深度学习技术,解决交通预测问题中的出行需求预测和交通流预测问题。本论文的主要研究内容和研究成果如下:1.提出了以改进的长短期记忆循环神经网络为核心的出行需求预测模型。为了提升对出行需求数据的时空依赖关系的建模能力,该模型通过卷积神经网络对长短期记忆网络单元内部的矩阵乘法操作进行替换,实现时空相关性特征的同时提取。为了进一步提升预测性能,该模型通过引入残差连接的方法对出行需求预测问题进行了重新定义。此外,本文还提出了基于需求请求向量的输入数据,提升其特征表示能力。与基线算法的对比实验结果表明,该模型具有较好的预测性能,能够对数据本身的时空依赖关系以及外部因素的影响进行建模。2.提出了基于改进的时间卷积神经网络以及可变形卷积神经网络的特征增强模块的出行需求预测模型。对数据内部时空依赖关系的建模是实现出行需求预测的前提,该模型对时间卷积神经网络进行了扩展,使其能够适应存在空间相关性的序列出行需求数据,并以此为基础构建出行需求预测模型。为了进一步提升模型的特征表示能力,本文构建了基于可变形卷积神经网络的特征增强模块,打破了传统卷积神经网络对数据采样时存在的局限性,提升了模型的预测性能。与基线算法的对比实验结果表明,该模型具有较小的预测误差。同时,与基于循环神经网络的基线算法相对比,该模型的训练时间更短,能够节省模型的训练资源。3.提出了基于长短期记忆循环神经网络以及图注意力机制的交通流预测模型。根据交通流数据的空间分布特性,本文使用无向图表示交通网络并以此为基础构建交通流预测模型。为了实现交通流数据的时空依赖关系建模,该模型通过图注意力机制对长短期记忆循环神经网络单元内部的矩阵乘法操作进行替换。同时,为了进一步提升模型对数据空间依赖关系的建模能力,本文对图注意力机制进行了扩展,实现了数据空间依赖关系的二次校对。与基线算法的对比实验结果表明,该模型能够以较小的误差实现交通流的实时预测。