近年来,时空预测在各种领域都有广泛的应用,交通流量预测就是这种学习任务的一个例子。所谓的交通流量预测,就是在给定历史交通速度和基础道路网络的情况下,预测未来的交通速度。做好长期的交通流量预测将会对交通规划提供很大的便利,为人们的出行节省很多的时间。而准确及适时地预测多尺度交通情况,对道路使用者和管理机构也至关重要。然而交通流量预测具有非常大的挑战性,一方面,真实世界中的道路网络具有复杂的空间结构,道路交通流是非欧几里得的和定向的;另一方面,道路交通流随时间的变化是非平稳的,具有很强的时间依赖性,比如早晚高峰、节假日或者无法预知的交通事故都会对道路交通速度产生影响。随着深度学习技术的不断发展,基于深度学习的交通流量预测方法也越来越受到大家的关注。而近年来图神经网络的兴起也为道路网络的空间依赖性建模提供了一种新的思路。本文将空间依赖性建模与时间依赖性建模相结合,提出一种基于图神经网络的交通流量预测模型。首先先提出了一种基于时空特征的交通流量预测模型,其分别采用两种不同的图神经网络提取道路网络交通流的空间特征;然后采用循环神经网络(RNN)中的一个简单而又强大的变体门控递归单元(GRU)来对道路网络交通流的时间依赖性建模;最后,采用序列到序列模型(sequence to sequence,Seq2Seq)进行长期预测,生成最终的预测结果。然后在此模型的基础上引入注意力机制,优化路网的空间依赖建模,同时在预测时引入自动编码器机制降低模型的复杂度,在训练时引入计划采样机制来提高预测精度,最终提出了一个优化后的交通流量预测模型。本文在三个真实世界中的交通数据集上进行了大量的实验,通过对比现有的传统机器学习方法和深度学习方法,利用三种交通流量预测评估指标来验证本文提出的模型的性能。实验结果显示,本文的模型在各个指标上都取得了最佳的预测效果,无论是在预测精度上还是在模型的复杂度上都优于其它方法,尤其是长期预测的时候,模型的优越性会更加突出。