过去的几十年间,我国城市城镇化、机动化进程不断加快,引起了交通拥堵、污染等一系列问题,给城市管理提出了严峻的挑战。在另一方面,随着生活水平的不断提高,人们对出行的期望也随之提高,交通供求关系不平衡的矛盾日益尖锐。上世纪90年代,美国率先提出了智能交通系统的概念,它通过先进的信息收集和处理技术建立起一套有效的综合交通管理体系,提高现有交通设施的服务水平和使用效率,此后在全球各大地区得到了广泛的推广应用。准确、实时的交通流预测是智能交通系统的前提和依据。由于交通流形成复杂,受到天气条件、道路因素、节假日、出行选择和其他因素的影响,流量数据呈现复杂的、高度非线性的特性,给预测任务带来了许多挑战。传统的预测方法只基于时间依赖性,忽略道路空间属性的影响,最新的研究如时空图卷积网络综合了两者,但模型结构中没有考虑交通流的周期性,导致容易出现预测滞后的现象。为了将交通流时间依赖性、空间依赖性和周期性纳入模型中,本文提出了一种新的深度学习模型架构,它通过图卷积层提取空间特征,后接循环神经网络提取短时间内的时间依赖性,对周期性,使用与循环神经网络并行的一个带跳过机制的循环神经网络进行提取,最后综合两个循环神经网络层的输出,进行预测。本文在美国加利福尼亚州、中国苏州市吴江区这两个实际的交通流数据集中进行探索和验证。首先,对两个数据集进行了描述性和探索性分析,说明流量数据的时间依赖性和空间依赖性。其次,使用了HA、ARIMA、LSTM和STGCN四种方法作为基准方法,在两个数据集上进行3期、6期、12期的预测,与本文方法的预测效果进行比较。实验结果说明,本文提出的图卷积循环神经网络的预测效果最优,因为它将周期性纳入考虑,因此特别在长预测期数时表现的更加明显。在两个数据集上,预测期数为3时,STGCN模型效果最好,本文模型次之,在预测期数为6、12时,本文模型均为最优,其中预测期数为12时,本文模型较LSTM、STGCN预测百分比误差MAPE减少了10%以上,说明这种方法能有效提高短时交通流长预测期数时的预测效果。