随着机动车数量的急剧增长,交通速度预测具有越来越重要的意义。准确合理地预估交通情况,可以有效地缓解交通拥堵,减少等待时间,辅助管理者进行交通管理和维护公共安全。同时,交通速度预测仍面临着许多困难,现有研究缺乏合理有效的时空信息筛选方法,没有充分挖掘交通速度的时空特性,同时没有充分表达不同历史时刻和不同相关路段的贡献差异性。针对这些问题,本文的主要研究内容和创新点如下:(1)考虑到时空信息是交通预测的基础,而现有研究缺乏对海量信息中的关键信息的筛选方法,本文提出一种时空支持域的解析与构建方法。对于时间支持域,通过计算不同时间间隔下速度的相关系数并采用累积概率函数对相关系数进行分析,确定合理的存在强相关的时间间隔范围;对于空间支持域,充分考虑延迟影响和非线性相关,提出一种滑动窗口相关系数计算方法来搜寻目标路段的相关路段。时空支持域的构建方法具有通用性,为模型的建立提供了基础。(2)考虑到现有方法没有充分表达交通速度的时空相关性,尤其是没有挖掘交通速度的动态特性,本文提出时空宽度学习网络对交通速度进行单步预测。该方法首先对时空支持域内变量进行动、静态慢特征提取,充分挖掘交通速度信息中隐含的变化趋势和变化快慢;随后通过随机非线性增强节点提升模型的非线性表达能力。在此基础上引入L1正则化对特征进行稀疏化,自动选择重要特征,同时引入L2正则化防止过拟合。该方法具有预测精度高、建模速度快的特点。(3)针对不同历史时刻及不同相关路段对预测的影响不同的问题,本文提出一种具有双阶段注意力机制的序列学习多步预测网络。该方法以编码解码网络为基础,在编码部分的输入端引入注意力机制来自适应学习每一时刻不同路段的贡献权重,该阶段的注意力称为空间注意力;在解码部分再次引入注意力机制自适应学习不同历史时刻信息对当前预测时刻的贡献权重,该阶段的注意力称为时间注意力。该方法更加细粒度地表达了时空相关特性,具有更高的预测精度,且与其他方法相比,其预测性能随预测时间步的增加衰减较慢。