流感是由流感病毒引起的急性呼吸道传染病,每年季节性流感的暴发和传播严重威胁着人类健康并造成重大经济损失,如果流感病毒发生较大变异,则会造成更加严重的健康危害。特别是人口密集的现代化城市地区,其生产活动以工业和服务业为主,常常伴随密集人口流动的现象,为流感病毒的传播提供了适宜的条件。一旦流感疫情在城市中大暴发,不仅会危害人民群众（尤其是老人、小孩等高危群体）的安全,而且也会造成停学等社会影响。由于流感病毒的快速持续变异,长期以来,为预防流感大流行,研究人员通过数据驱动的统计学习方法构建了大量的流感疫情短期预测模型,用于支撑准确、及时、快速的疫情态势预测,对实时预判流感扩散风险并提前进行防控部署具有重要意义。然而,现有的数据驱动的疫情短期趋势预测研究大多是在全球、国家、省/州或城市整体级别发挥作用,难以支撑对城市内部各个区域流感疫情发展态势的精细化预测,导致很难在城市内部区域提供差异化的干预措施。此外,现有的大部分数据驱动的疫情短期趋势预测方法往往只依靠流感样疾病统计数据的时间序列特征进行预测,没有考虑到相邻区域之间流感活动的空间相关性,此类方法由于精细化空间信息的缺失很难在城市内部准确预测疫情发展的短期趋势。部分预测方法虽然综合利用了特定位置的时空特征信息,但空间特征提取方法忽略了城市内部人口移动与交互对疫情扩散与传播的影响,仍待完善。针对现有方法存在的这些问题,本研究提出了耦合空间交互作用的城市内部流感疫情深度神经网络时空预测模型。该时空预测模型采用家庭中心流（Homebased flow）构建关系图网络,能够更加有效地捕捉跨区域的人群移动和交互模式,进而实现对城市内部流感疫情扩散与传播过程的有效模拟。在此基础上,基于深度学习方法,对流感疫情监测数据中的空间依赖性和时间依赖性进行建模。本研究利用深圳市流感疫情监测数据集开展了实验。实验结果表明,相较未考虑城市内部人群移动与交互模式的基线模型,本研究所提出的流感疫情短期预测方法取得了更优的预测性能,可实现城市内部街道级的流感发展趋势预测。同时,消融性实验证明了基于Home-based流量的关系图构建方法相较其它图网络构建方法更有效地提升了该时空预测模型的预测性能。综上,本研究提出了适用于流感的城市内部空间交互作用建模方法,基于深度学习模型,实现城市内部流感发展态势更高空间分辨率的预测,有助于政府和公共卫生部门实时预判城市内部流感扩散风险并提前进行防控部署。