随着大数据时代的到来,城市规模不断扩张,大量遍布在交通道路上的传感器时刻产生着交通流数据,对交通管理系统提出巨大的挑战,智能交通系统（Intelligent Transportation System,ITS）的广泛应用也对交通流预测问题提出了新的任务要求。交通流数据是一种经典的时空数据,仅考虑单方面特性进行预测会导致预测性能差。其次,由于交通路网的拓扑结构是动态变化的,传统对于图结构数据特征进行提取的卷积神经网络无法捕捉这种动态特征。再者,交通数据具有长期依赖关系,对于时间特征捕获的不足,容易导致数据预测实效性差等问题。为了提高交通流预测准确度,辅助智能交通系统迅速做出准确的决策,本文基于深度学习和时空大数据,提出基于时空特征的交通流预测模型（Spatial-Temporal Network based on LSTM and GAT,STLGAT）,对交通路网中的交通速度进行预测。通过GAT获取交通路网中的动态拓扑结构,LSTM处理数据的时间特性,捕获交通流的周期特性。为了捕获更多时间依赖性,在STLGAT的基础上引入注意力机制,提出一种基于时空注意力的动态交通流预测模型（Spatial-Temporal Network based on LSTM and GAT,introducing Multi-Head Attention,MA-STLGAT）,增强对交通流数据的长期依赖特征的提取,并行处理信息,实现高效、准确的交通流预测。具体地,本文的研究工作如下:1.针对交通路网中,传统仅考虑时间关联性进行预测的模型准确性不高的问题,提出一种将时间依赖性与空间相关性同时考虑的交通预测模型,模型主要分为空间模块与时间模块,实现对交通数据特点的准确捕捉。2.考虑到交通路网的拓扑结构是动态变化的,本文运用图注意力网络分配给邻居节点不同的权值比重,体现邻居节点对中心节点的影响能力,成功捕捉到交通数据中的拓扑结构。3.由于交通流数据的时间依赖性极强,因此在构建模型时应尽可能提取更长期的时间特征。本文提出MA-STLGAT模型,引入多头注意力机制聚焦重要信息,学习节点的贡献率,进一步解决了时间相关性的捕获问题。4.在真实数据集上将本文提出的两个模型进行对比分析,并与基线模型预测结果进行比较,结果表明本文提出的两个模型预测误差均降低,尤其是MA-STLGAT模型在中长期的预测结果上,模型的预测误差下降幅度大幅增加,说明MA-STLGAT在长期预测方面表现优秀,反映出本文针对STLGAT的改进是有效果的,引入注意力机制的确可以有效获取更“长期”的数据特征。