随着我国机动车保有量的增加,机动车排放引起的空气污染问题愈加严重。为了及时掌握车流状况、缓解交通污染,有必要进行道路交通量预测及环境影响研究。在现有的交通量预测研究中,往往采用固定权重表示预测节点与相邻节点的关系,也很少考虑时空维度上节点之间的联系;在研究交通量对空气污染影响时,大多集中于分析污染物浓度与交通量的关联度,鲜有关于两者滞后效应的研究;在交通污染浓度预测中还存在多监测点污染浓度时空特征提取不完全问题。基于此,本文以交通污染监测点为研究区域,首先进行道路交通排放对交通污染浓度的时滞性定量研究;其次提出一种改进权重设计的路网时空图交通量预测模型,融合交通流时空特征;然后提出一种基于多站点时空特征的交通污染浓度预测模型,充分挖掘污染浓度时空特征,最终在上述研究基础上设计了交通污染浓度整合预测模型,达到准确预测交通量和交通污染浓度的目标。主要研究工作和结论如下:（1）探究道路交通排放对交通污染浓度的时滞性效应。利用小波变换的显著性周期分析法和超前滞后相关系数的时滞值分析法,检验滞后效应并确定不同污染物的时滞值范围,通过显著性周期附近频带上的平均小波能量变化情况,证实了时滞值的可靠性。结果表明,交通量和交通污染浓度的显著性周期为24h;NO2和CO的时滞值为5h、6h或7h,PM2.5的时滞值为5h,O3的时滞值为3h或4h。（2）提出基于路网时空图的卷积网络交通量预测模型WTG CRNN。该模型通过构造交通路网时空图,定义相对邻近度改进节点间的权重表示关系,使节点间权重设计更加灵活;采用卷积操作提取时空图特征,门控循环网络挖掘时空依赖性,有效挖掘了交通流时空特征。结果表明,相较于ARIMA、LSTM以及组合模型DCRNN、STG CRNN,该模型在训练集和测试集上的R~2均最高;其RMSE、MAE和MAPE指标平均提升率为17.8%。（3）提出基于多站点时空特征的交通污染浓度预测模型S CNN LSTM和交通污染浓度整合预测模型。设计多站点时空特征,将该特征展开成各站点数据的二维结构,采用卷积神经网络提取空间特征,长短时记忆网络处理时间序列,充分提取了交通污染浓度时空特征。在WTG CRNN和S CNN LSTM的基础上构建交通污染浓度整合预测模型。结果表明,相较于MLR、LSTM、S CNN、S LSTM以及CNN LSTM,S CNN LSTM各指标平均提升率为20.8%;分析未添加时滞值和添加时滞值的预测结果,验证了整合预测模型的特征选取优势。