交通运输系统是城市繁荣发展的基础和命脉。近年来,随着我国城市化进程的不断发展和城市人口的增加,城市交通拥堵日益严重,加剧了环境污染、交通事故和资源浪费等问题的发生,阻碍了城市的健康发展和居民的出行质量。作为缓解交通拥堵问题的有效方法,智能交通系统(Intelligent Transportation Systems,ITS)得到了越来越多的关注与研究。短时交通流预测是智能交通系统的重要组成部分,可以为出行者提供实时的交通引导,帮助出行者规划出行路线、缩短出行时间、改善交通状况,因此成为了各国研究的重点。城市交通流具有极强的随机性、非线性和时空相关性等特点,现有模型例如基于统计理论的传统数学模型无法取得理想的预测效果,因此近年来飞速发展的深度学习方法受到了越来越多的关注。本文针对现有模型在多断面和多步短时交通流预测方面存在的不足,首先提出了一种基于生成式对抗网络的预测模型,该模型充分利用了多断面交通流之间的空间相关性,实现了城市交通流的路网级短时预测。此外,本文还研究了多步预测问题,提出了一种基于seq2seq框架的短时交通流预测模型,该模型解决了传统预测模型存在的时间依赖问题,实现了有效的交通流多步预测,能够反映出交通流在未来一段时间的变化趋势。本文所做的主要工作包括:(1)针对现有模型无法充分利用交通流空间相关性以及深度模型存在的模糊预测问题,提出了一种基于生成式对抗网络的多断面短时交通流预测模型。该模型使用改编的可变形卷积网络来学习交通流数据的空间特性,并通过对抗学习解决了模糊预测问题。该模型可以对路网级交通流数据进行预测,经过实验验证,其预测性能优于现有模型。(2)针对现有模型无法实现稳定的多步预测的问题,在生成式对抗网络框架的基础上,提出了一种使用seq2seq结构和注意力机制的多步短时交通流预测模型。同时,该模型采用双向随机游走的图卷积网络来捕捉交通流数据的空间特性,在保证预测精度的基础上实现了多步预测。