随着我国城市化的高速发展,许多城市病问题也随之产生,城市交通问题也一直备受世界各国广泛关注。据公安部统计,2021年全国机动车保有量达3.95亿辆,同比增长10.38%。人民出行需求的不断增加,导致了交通工具数量的不断上涨,引发了较为严重的交通拥堵现象。本文通过研究基于时空图卷积的城市交通预测方法,预测交通速度以提供合理的出行建议,并基于强化学习算法对交通信号进行调控,以达到缓解交通拥堵的目的。交通数据具有动态特性和时空属性,其产生和变化受时间的影响。因此,进行数据分析时不仅要考虑时间和空间的演变规律,还要考虑复杂的时空耦合关系。本文以城市交通预测为背景,针对交通数据复杂的时空属性,研究基于图卷积的时空大数据挖掘和预测算法,揭示交通数据背后隐藏的规律,并对交通信号进行调控,为城市的智能化管理提供科学的决策支持。本文主要研究内容如下:（1）针对城市中发生的异步时序交通事故预测问题,本文提出基于递归神经网络和累积危险函数的时间点过程模型。设计基于积分求导法的条件强度函数式,提高模型预测精度;通过递归神经网络捕获历史事件的非线性依赖关系,利用全连接网络获得累积危险函数;选择具有代表性的合成数据集及真实数据集对模型的性能进行对比分析。实验结果表明,所提方法可以精准地预测某区域内发生事件的时间点,准确率较基准模型提升了3%,表明了模型的优越性。（2）针对交通速度的动态时空特性及交通监测点之间的复杂联系,考虑单一数据源存在误差问题,本文提出用于交通速度预测的多源时空混合扩张图卷积网络。基于混合扩张卷积的时空图卷积网络可以提取相邻信息之间的潜在关系,捕获动态空间和非线性时间的相关性;运用多源数据将显著提高网络的预测精度和泛化能力。通过对真实数据集的验证,本文所提算法相较于基准算法预测更为准确,误差降低了5%。（3）针对交通信号控制方法中算法策略设计不佳的问题,本文提出顾及路口压力的多智能体Actor-Critic算法,用于高效调控交通信号。本文设计缓解路口压力的强化学习策略,智能体基于该策略控制信号灯;构建基于深度神经网络的多智能体Actor-Critic模型,利用长短期记忆网络作为隐藏层保留历史信息,通过Actor-Critic算法生成行动并做出判别,从而对路网进行交通信号调控;在模拟交通网络平台上进行对比实验,结果表明,所提算法的交通调控效果更佳,平均行程时间缩短了5%。在建设交通强国的战略背景下,论文研究基于时空图卷积的交通速度预测算法,并提出基于强化学习的交通信号调控方法以缓解交通道路的拥堵,减少交通事故的发生,提升交通运行效率,具有重要的科学意义和实践价值。