交通预测任务基于交通大数据,由于交通受到道路类型、交通状况、天气状况等外因,交通大数据具有很强的不确定性,因此交通预测是一项较为有挑战性的研究。它需要动态的捕获道路之间的空间依赖以及路口的历史信息依赖。为了进一步建设智慧交通系统,近年来,越来越多的研究人员开始关注于交通预测。交通预测任务属于时空大数据挖掘问题,现有的方法对时空大数据的挖掘尚未充分。为了更加深层次的挖掘时空大数据之间的隐藏关联关系,本研究设计了两种不同的模型来提升交通预测的性能,主要研究内容如下:1.针对传统模型在时空图数据信息捕获上的缺失,提出了一种新颖的基于多尺度时间卷积网络的双注意力特征融合模型用于长时间的交通预测（DAFF-Net,Double Attentional Feature Fusion）。DAFF-Net将输入数据通过局部注意力和全局注意力分成两条路径分别进行建模后融合,增强了模型捕获时空相关性的性能。为了更好的处理时间序列,利用一维卷积网络构造了一种多尺度卷积融合的时间卷积网络（MS-TCN,Multi-Scale Temporal Convolutional Network）,用于捕获时间维度的特征,增强了时空图卷积层的泛化能力,从而有效地提升了交通预测性能。2.由于现有的预测模型对时空图信息上全局特征捕获仍有不足,所以本研究构建了基于双路信息时空图卷积网络模型（D-STCNet,Dual Path Information SpatialTemporal Convolutional Net）。D-STCNet中的混合跳跃图卷积网络通过自适应学习出图的邻接矩阵,动态的捕获时空图的空间特征,提高了图卷积网络的学习能力。其次,D-STCNet中的扩张时间卷积网络结合扩张卷积和因果卷积门控机制,使扩张时间卷积网络能更好的适应复杂的交通时序数据。最后,对于加强全局特征的捕获能力,本研究提出了三重池化注意力机制（T-Pool Attention,Triple-Pool Attention）,通过对通道采用不同的池化方式再汇集特征,以此获得丰富的特征信息。最后为验证DAFF-Net和D-STCNet模型的预测性能,本研究在选择了两个真实路网数据集基础上进行了实验,将实验结果与其他预测模型比较并进行了分析,从而验证了模型以及相关模块的有效性。