随着我国经济社会的迅猛发展和城镇化建设的不断推进,我国城市规模持续扩张,机动车保有量不断提高。然而,我国在城市交通与土地利用规划方面长期以来都处于脱节的状态,城市综合交通基础设施配置与土地利用形态之间存在大量不协调的问题,尤其体现在区域土地的高密度开发与低承载能力交通系统之间的及区域高承载力交通设施供给与低效土地利用的不协调等方面。实现城市交通与土地利用一体化规划的前提是要理清城市交通与土地利用之间的互动耦合关系。城市交通与土地利用之间的互动关系复杂多变,它们之间既相互作用又相互制约。土地利用的空间分布是交通需求的根源,而交通的“先导性”又会引导土地利用发展的方向。国内外对于土地利用和交通之间的相互作用研究成果非常丰富,但是大部分研究只是考虑土地利用形态对交通需求的影响和交通的某一个因素对于土地利用带来的影响,很少有研究能够系统地考量综合交通系统对土地利用形态造成的影响。同时,由于相关数据难以获取的现状,国内关于交通小区尺度下的土地利用形态预测模型研究也相对较少。本文借助PECAS（Production,Exchange and Consumption Allocation System）模型的输出数据,解决相关非集计可达性及土地利用形态等数据难以获取的问题,针对综合交通驱动作用下的小区级土地利用形态预测建模展开研究,具体包括以下内容:（1）构建了城市综合交通与土地利用系统动力学研究框架,明确其综合交通与土地利用系统的边界、子系统结构以及系统表征指标。其次,提出可达性的概念和具体计算方法,阐述可达性与城市综合交通和土地利用之间的必然联系,运用Cube Voyager软件建立交通模型,并由此计算交通小区的可达性。最后,以可达性为中轴,分析城市交通与土地利用之间的相互作用机理。（2）以城市综合交通与土地利用的相互作用机理为指导,以武汉市三环线内342个交通小区为研究对象,鉴于地理加权回归（Geographically Weighted Regression,GWR）模型能够解决“空间非平稳性”问题的特点,构建基于GWR的小区级土地利用形态预测模型,预测未来年交通小区的土地利用形态。结果表明,基于GWR的小区级土地利用形态预测模型预测小区级居住类型空间量能够达到80.85%的平均预测精度,预测小区级商业类型空间量能够达到77.48%的平均预测精度。（3）鉴于深度神经网络具有强大的非线性特征学习能力的特点,构建基于深度神经网络的小区级土地利用形态预测模型,通过深度学习来预测未来年交通小区的土地利用形态。结果表明,基于深度神经网络的小区级土地利用形态预测模型预测小区级居住类型空间量能够达到82.65%的平均预测精度,预测小区级商业类型空间量能够达到79.34%的平均预测精度。（4）将基于GWR的小区级土地利用形态预测模型和基于深度神经网络的小区级土地利用形态预测模型从模型数据可获得性、模型复杂性、模型效率、模型预测精度、模型适用性等方面进行了对比分析与评价。结果表明,二者模型均具有一定的可靠性,可为城市综合交通规划和土地利用规划提供一定的决策支持,为实现城市可持续发展奠定坚实的科学决策支持基础。