城市区域人流量预测对交通风险评估和公共安全都具有战略意义。然而现有的交通数据存在复杂的时空相关性并受外部因素的影响,使预测区域的人流量具有很大挑战性。由于时间序列的不确定性,以及每个区域存在异质性和相互依赖性,现有模型很难提取这种时空依赖关系,从而影响预测效果。针对现有模型的不足,基于对时空数据的深刻理解,本文提出一种基于时空注意力机制的深度时空残差网络模型（AST-Rest Net）,可同时用于城市区域人流量和流向预测。主要研究贡献如下:（1）在进行区域人流量预测时,为充分提取时空轨迹数据特征,提出一种针对时空轨迹数据的预处理方法——基于简单网格映射方法的人流量矩阵计算。该方法完全基于数据驱动不依赖任何数字地图软件,解决了商业地图软件昂贵且地图匹配算法复杂度高的问题,但该方法目前只适用于规则区域,无法适用于地势起伏较大区域的轨迹映射。（2）基于上述对时空轨迹数据的预处理,提出一种基于时空注意力机制的深度时空残差网络模型（AST-ResNet）进行区域人流量预测,通过合理的网络设计,该模型使用邻近性、近周期性和远周期性三个模块分别捕获人流量的时空相关性,与传统的循环神经网络相比,该模型可以通过更少的时间间隔达到较好的预测效果。并在Taxi NYC和Taxi BJ两个真实时空轨迹数据集上进行消融和基准模型对比实验,与现有时空预测模型相比,预测精度RMSE分别提升2.8%和3.7%,因此该模型的设计在规模较大的时空数据集上表现更好,且相较于常用的图卷积网络模型训练时间更短。（3）基于上述区域人流量的预测基础,进一步使用上述模型AST-ResNet进行区域人流向预测。提出使用两种特征融合方式进行人流量和流向预测结果的融合,进而准确得到人流向预测结果,分别是矩阵相加SUM融合和矩阵拼接CONCAT融合。提出一种优化的损失函数,该函数能更好的反映人流量和流向两者的相互影响,从而提高预测精度。同时在Bike NYC和Taxi NYC两个数据集上进行消融和横向对比实验,结果表明采用CONCAT融合方式预测效果较好。同时在Taxi NYC数据集上的预测精度RMSE比Bike NYC高大约为12.6%,验证该模型在处理非稀疏性人流向矩阵时表现较好,因此模型更适用于流动性变化较大的时空轨迹数据集。