乘客需求预测是智能交通系统的重要组成部分。一个精确的预测模型能够帮助车辆系统更加合理地分发订单和调度车辆,进而缓解供需矛盾。这不但能减少能源浪费还能有效缓解城市交通拥堵。滴滴和Uber这类在线打车系统的流行使我们有能力持续地获得大规模的乘客需求数据,如何利用这些数据提升需求预测的精度是一个有趣又关键的问题。传统的需求预测方法大多基于时间序列预测技术,这种技术无法对非线性的时空关系进行有效建模。最近深度学习技术在计算机视觉和自然语言处理等领域取得了重大突破,这启发我们使用深度学习技术来解决交通预测问题。现有的大多数交通预测方法都只独立地考虑了空间相关性和时间相关性,并且主要针对单步预测场景。本文以全新的图视角看待网约车系统,使用结构化的循环单元同时对空间相关性和时间相关性进行建模,提出了基于编码器-预测器架构的混合时空图卷积循环网络ST-HGCRN。该模型可以同时预测城市中n个不规则的区域在未来k个时段内的乘客上下车需求量。本文的工作和贡献可以总结为以下三点:(1)提出基于高相关节点的空间相关性建模方法,简称“高相关点法”。首先从不同的角度对城市区域之间的需求相关性进行量化并生成多张区域关系图,然后通过utopk节点选择保留相关性较高的节点,最后利用混合图卷积整合高相关节点的信息。此方法比基于卷积神经网络的空间相关性建模方法更加有效地利用了各地点需求量之间的相互影响。(2)提出结构化的循环单元HGCRU,并结合编码器-预测器架构进行多步需求量预测。我们使用混合图卷积对循环神经网络进行了结构化改造,使它可以利用数据的空间结构,能够同时对空间相关性和时间相关性进行建模。HGCRU有HGCLSTM和HGCGRU两种具体实例,我们结合这两种实例和编码器-预测器架构设计了ST-HGCRN网络,该网络能够有效地解决多步需求量预测问题。(3)在真实的数据集上进行多项对比实验,通过大量的对比实验分析我们的模型与对比模型的性能表现以及各种参数对它们的影响。在所有对照实验中,我们的模型在多数情况下都超越了对比模型,且模型的最优变种取得了15%以上的性能提升,表现出了相当的竞争力。各项自我对照实验也证明了网络中各个组件的必要性。