随着城市机动车保有量的迅速攀升,城市交通拥堵问题日益严峻,严重阻碍了城市的良性发展。交通流预测是缓解城市交通运行压力的有效手段之一,准确的路网交通流预测模型能够为交通部门制定合理的管理措施提供理论依据,降低公众出行的时间成本,从而缓解城市交通拥堵。然而,现有的路网交通流预测模型大多没有很好地捕获交通流数据蕴藏的时空相关性,且难以满足不同预测时长的精度要求。因此,本文围绕路网交通流预测问题展开研究,为了自适应学习交通流数据和路网拓扑结构的时空依赖性,提出了两个基于图卷积神经网络的路网交通流预测模型,有效提升了预测精度。具体内容包括:（1）交通路网建模与交通流特征建模。以真实的高速公路交通流数据为研究对象,深入分析路网交通流的时空变化特性,基于图谱理论对路网拓扑结构进行建模,并构建了一种融合局部时间相关性和周期性的交通流特征张量建模方法,为路网交通流预测模型的设计奠定良好基础。（2）构建了基于图卷积神经网络的时空交通流预测模型（GCST）。为了充分挖掘路网交通流的时空依赖特性,提出了一种交通流时空特性学习机制。在空间学习机制中,设计了全局空间拓扑学习层对路网拓扑矩阵进行学习,并将门控机制与图卷积神经网络相结合,提高了预测模型对空间相关性的学习能力;在时间学习机制中,使用长短时记忆神经网络捕获交通流时间变化特性,并设计了一种纵向时间特征卷积,在保留交通流局部时间相关性的情况下提高计算效率。实验结果表明,GCST的长期预测精度显著优于其他基线模型。（3）提出了基于动态时空切比雪夫图卷积的交通流预测模型（DCGCN）。为了解决固定的拉普拉斯矩阵无法准确表达路网拓扑动态变化特性的问题,设计了一个拉普拉斯矩阵动态更新模型,以自适应地学习交通流的时空变化趋势并动态更新拉普拉斯矩阵的权值;同时,针对GCST模型在短期预测中预测精度不够理想的问题,将短时时间卷积与时间注意力机制相结合,实现路网交通流短时变化特性和长时变化规律的自动学习。实验结果表明,与其他基线模型相比,DCGCN模型的预测精度提升了逾6.7%,并具有较强的抗干扰能力。