交通流预测任务是智慧交通系统的重要组成部分。准确高效的交通流预测,对交通规划与调度具有重要意义。然而由于交通流数据存在复杂非线性的时空关联,使得交通流预测任务具有很大挑战性。现有交通流预测方法对时空特征利用不充分,无法挖掘交通流中的深层次时空关联。此外,数据缺失问题在实际交通场景中十分常见。缺少充足的数据样本对预测模型进行优化,同样增加了交通流预测任务的挑战性。现有小样本交通流预测方法,仅针对网格结构数据进行建模,缺少对更接近实际交通场景的非欧图结构数据进行建模的能力。针对时空特征利用不充分的问题,本文提出了一种自适应时空图网络模型,用于交通流预测任务。使用时序自注意力机制捕捉不同历史时刻的时序相关性,并使用门控时序卷积网络捕捉多层次时序依赖。同时,使用扩散图卷积网络模拟节点间的局部空间关联,并使用参数化邻接矩阵构建自适应卷积网络,自适应挖掘路网中隐含的全局深层空间依赖。通过多层时空卷积模块进行特征提取,充分利用时空特征进行交通流预测。针对数据样本缺失的问题,本文提出了一种迁移学习时空图网络模型,用于小样本条件下交通流预测任务。首先,使用内部注意力机制捕捉交通传感器内部特征序列之间的相关性。之后,使用小波分解与重构方法,提取出交通流数据中的时序核心分量与细节分量。使用门控时序卷积网络与图卷积网络提取核心分量的时空特征,并通过时空注意力机制提取时空模态特征。同时,使用线性预测模块提取时序细节分量的时空特征,与核心分量预测结果融合。该建模方式对不同数据源中的相似模态进行充分利用,并且能够减少因数据模态差异造成的过拟合问题。本文在四个真实世界交通数据集上进行了性能评估实验,利用评估指标对本文提出的模型与其他基准模型进行预测性能对比。实验结果分别证明了本文提出的自适应时空图网络预测模型与迁移学习时空图网络预测模型的有效性。并且本文通过消融分析,验证了预测模型中不同模块的有效性。