私家车保有率的急速上升,不仅给各大城市造成了停车困难、交通拥堵还提高了交通事故的发生频率。为了解决上述问题,人们开发出了智能交通系统。交通流预测是智能交通系统中至关重要的一环,准确又及时的交通流预测可以为交通管理部门做出决策时提供有力的依据,也可以为私家车司机提供出行的时间估计、当前以及未来可能的拥堵路段等信息。然而,交通流的时空关联性难以分析和表达,因此如何准确地预测交通流一直以来都是一个难以解决的问题。针对这一问题,本文对深度神经网络在交通流预测方面上的应用进行研究,主要工作有如下三部分:（1）结合图卷积神经网络（GCN）和长短时记忆网络（LSTM）提出了多通道图卷积和长短时记忆网络（MCGC-LSTM）模型。模型使用了多通道GCN,每个通道输出的特征向量都从各自的维度描述了交通流的空间关联性,进而解决用卷积神经网络（CNN）与单通道GCN提取交通流空间关联性不充分这一问题。为了不丢失得到的空间关联性的信息,且在其基础上分析时间关联性,本文为模型中GCN的每个通道得到的输出分别设计了独立的LSTM网络,从而分析该通道下的时间关联性。最终在得到并拼接各维度下的时空关联性特征向量后,建立一个全连接层使用时空关联性特征向量作为模型预测的依据,得到预测结果。（2）MCGC-LSTM模型通过多通道GCN充分提取和表达了交通流的空间关联性。然而该模型所使用到的邻接矩阵是根据路网的节点距离构建的,对路网信息表达不完全准确,因此会降低GCN捕获交通流空间关联性的准确性。第二个研究内容提出的时间模式注意力机制自适应图卷积（ASTPAGCN）模型将邻接矩阵看作模型的一部分,并通多迭代训练的方式得到一个自适应邻接矩阵,可以正确地表达路网的信息。为了解决GRU难以分析交通流空间关联性这一问题,使用GCN代替门控递归单元（GRU）中的全连接层,从而使模型具有同时分析交通流时间和空间关联性的能力。由于不同记忆单元输出的隐藏状态对最终得到的时空相关性特征向量影响大小不同,本文使用时间模式注意力机制计算不同的记忆单元输出的隐藏状态对时空相关性特征向量的重要程度从而减小预测误差。（3）ASTPAGCN模型通过自适应图卷积更加准确地提取了交通流的空间关联性。路网结构是固定的,但空间关联性在不同的时段内,会呈现出不同的特征。第三个研究内容中提出的门控时空卷积（GSTCN）模型使用两种不同的邻接矩阵作为GCN的依据。一种是模型使用自注意力机制为输入的不同时间步下的交通流数据计算的动态的邻接矩阵,另一种是根据采集交通流数据的传感器之间的距离人工建立的固定的邻接矩阵。模型分别建立两个多通道GCN使用上述两种邻接矩阵分析交通流的静态空间关联性和动态空间关联性,并将两种空间关联性的特征向量进行门控融合,从而更加高效地分析交通流的空间关联性。其次,模型使用支持多通道输入与输出的一维卷积神经网络（1D-CNN）组成的门控线性单元（GLU）分析交通流的时间关联性,可以更有效地从多通道GCN的输出中提取交通流的时间关联性。在Pe MSD7（M）与METR-LA数据集上的实验结果表明,上述三个模型的预测性能均比其他方法更高。并且由于三个模型之间的不断改进,使它们的预测性能也在逐步提高。