随着城市交通问题的日益严重,智能交通系统变得越来越重要。智能交通系统可以有效缓解交通拥堵问题,提高路网通过效率,也可以为人们的交通出行提供信息服务。短时交通流预测是智能交通系统中的关键问题之一,是分析城市道路网的交通状况（速度、流量和密度）,挖掘交通模式,预测道路网未来交通状况的基础。然而,由于交通流复杂的空间、时间和语义相关性,短时交通流预测是一项具有挑战性的任务。为了解决上述挑战,本文基于图卷积网络,循环神经网络进行扩展,并结合注意力机制等深度学习技术,提出了全新的短时交通流预测的方案。本论文的主要研究工作如下:1.原始的交通流数据往往存在数据缺失或异常问题,原始数据预处理直接影响交通流预测的准确度。本文研究一种基于双向循环神经网络的交通流数据修复方法,利用交通流数据具有时序性的特点,考虑缺失数据前后时间点交通数据的影响,引入双向结构循环神经网络对交通流缺失数据进行修复,实现异常交通数据的时间序列插值填补,并与传统的基于统计相关的数据修复方法进行对比,表明本文数据修复方法能够更有效的对缺失数据进行修复。2.考虑短时交通流预测复杂的空间和时间依赖性,本文研究一种基于密集连接的图卷积长短时记忆网络交通流预测方法（Dense Net based Graph Convolution Long and Shortterm Memory Network,DGLN）,构建了DGLN模型的近期和周期模块。利用无向图方法表示城市交通网络,构建多个时空块组成的近期模块,利用基于注意力机制的图卷积网络和长短时记忆网络动态获取交通数据的空间相关性和时序性,采用密集连接的方式进行时空块之间的特征传递。构建基于长短时记忆网络和周期性注意力机制的周期模块,用于挖掘交通数据的周期性特征。进而研究近期模块和周期模块的融合方法,提出基于密集连接的图卷积长短时记忆网络交通流预测方法,更好地体现交通流的时间相关性和空间依赖性。3.交通流数据除了具有时空相关性外,道路之间存在语义相关性,例如商业区周围的道路往往具有相似的交通模式。本文在DGLN模型的基础上,研究基于语义信息的图卷积长短时记忆网络（Semantic based Graph Convolution Long and Short-term Memory Network,SGLN）交通流预测方法。考虑历史相关性和功能相似性两种语义关联,使用道路连通图对交通流的空间和语义关联进行表示,从而综合考虑没有直接相连的道路之间的连通关系;通过图卷积网络分别挖掘交通流的空间和语义相关性,研究了道路间语义的功能相似图和历史相关图表示方法。利用爬虫技术对广州市交通运输局网站的交通信息进行采集,在采集到的数据集上进行实验,实验表明本章考虑语义关联的交通流预测方法具有更好的预测效果。