近年来,图卷积神经网络受到学界的广泛关注,已成功应用于推荐系统、知识图谱等不同领域。在时空数据挖掘领域中存在着大量的时空网络数据。时空网络数据是指在传统的拓扑图上增加了时间信息与空间信息的图结构数据。然而,在时空数据挖掘领域仍缺乏专门处理时空网络数据的有效的图卷积方法。时空网络数据具有高度的复杂性,体现在强烈的空间依赖性、时间关联性、时空关联性和时空异质性。现有时空数据预测方法大多不能全面地考虑上述四种性质。而且传统的图卷积方法在应用到时空网络时难以合理地处理结点的时空属性和影响关系。本文针对这两个问题,分别提出时空同步图卷积网络和自适应时空同步图卷积网络模型,对时空网络进行有效的预测。本文主要研究内容如下:过去的时空网络预测方法往往只针对空间依赖性和时间关联性进行建模,没有直接地考虑跨越时间和空间两个维度的时空关联性。本文针对这个问题,设计了一种局部时空图结构,将多个时间步的空间图融合在一起,然后使用图卷积方法同时捕获空间依赖性、时间关联性和时空关联性。同时,考虑到不同区域和不同时间段的时空网络表现出的时空异质性,提出了一种使用多组件建模机制的时空同步图卷积网络(Spatial-temporal Synchronous Graph Convolutional Networks,STSGCN)模型,能够有效处理局部时空关联性和时空异质性。针对传统图卷积方法应用在时空网络上时难以有效地区分时空网络中不同类型的结点,以及邻居结点的特征聚合对邻接矩阵权重过分依赖这两个问题,本文分别提出了时空嵌入表示和自适应邻接矩阵两种策略来解决上述的两个问题,并由此提出了自适应时空同步图卷积网络(Adaptive Spatial-temporal Synchronous Graph Convolutional Networks,ASTSGCN)模型,该模型能根据结点特征自适应地调整结点的时空属性和时空网络中边的权重,获得更好的泛化性能。在美国加利福尼亚州高速公路公开数据集Pe MS的四个子集上进行了大量实验。实验结果显示了本文提出的方法在时空网络数据建模上的有效性,可以对时空网络进行有效的预测。