交通流预测作为智能交通系统的重要组成部分,对维护交通路网健康地运行有着重要的意义。近年来,随着深度学习的迅速发展,时空图卷积神经网络成为了交通数据预测的主要手段。针对现有算法对交通流时空特征表达维度单一、以固定的权重衡量交通流动态的周期关系的问题,本文基于时空图卷积神经网络提出两种交通流预测算法,具体如下:为了解决现有算法对交通流数据时空特征表达维度单一的问题,本文提出了一种多尺度时空图卷积网络(MSSTGCN)模型。利用一维空洞卷积、一阶近似图卷积和时间注意力机制提取交通流数据的时空特性。考虑到“串联”构建的图卷积网络的输出只对时空特征进行了单一尺度的表达,因此引入带有“并联”结构的Res2Net以多尺度时空特征融合的方式对时空特征进行多种尺度地表达。同时,为了考虑交通流量的周期性,构建了3个结构相同的周期网络组件分别对临近预测时段近期、日周期和周周期的交通流序列进行建模,并以加权融合的方式得到最终的预测结果。为了解决现有算法以固定的权重来衡量交通流数据周期关系的问题,本文在MSSTGCN的基础上,提出了一种自适应周期时空图卷积网络(APSTGCN)模型。其利用自适应周期特征融合网络(APFN)改进了MSSTGCN中基于参数的周期特征融合策略,以注意力机制的方式挖掘不同周期序列之间的动态关系,并根据这一关系给各个组件的输出分配自适应权重,得到更贴近真实交通流量的预测结果。最后,在两个公开的高速公路数据集PeMSD4和PeMSD8上的实验结果表明,MSSTGCN在两个数据集上的MAE、RMSE和MAPE指标均优于其他基准模型,而APSTGCN在APFN的辅助下,预测精度得到了进一步提升,并且在长期预测中表现出明显的优势。另外,本文提出的APFN还可以灵活地应用于其他模型,以便更全面地挖掘交通数据的周期模式。