智能交通系统的应用在缓解交通拥堵等问题上取得了显著效果,准确的交通预测是智能交通系统的关键。随着物联网技术在交通领域的广泛应用,采集的交通数据越来越丰富和精细化,数据驱动的交通预测已成为产业界和学术界关注的焦点。然而,交通数据具有高度的非线性和复杂的动态时空相关性,准确的交通预测特别是长期预测仍是一个难题。现有模型通常是学习从路网生成的固定图来捕获空间相关性,面临着以下局限:（1）难以有效捕获随时间变化的空间动态特征;（2）未充分捕获长期时间相关性。为应对上述挑战,本文在分析交通数据的时空特性基础上,研究基于时空图神经网络的交通预测模型,以期实现有效捕获交通数据动态时空相关性的交通预测。主要工作如下:（1）针对现有模型难以有效建模动态空间相关性的问题,构建时空动态演化图卷积网络（Spatio-Temporal Dynamic Evolving Graph Convolutional Network,STDE-GCN）模型。STDE-GCN构造基于语义和空间两种预定义邻接矩阵,分别保存道路相似性和空间拓扑信息;并设计空间动态演化图卷积模块提取空间相关性;同时,使用时间门控循环单元模块提取时间相关性,最后通过预测层完成交通预测。在真实的Pe MS-BAY和METR-LA数据集上进行实验,结果表明:与AGCRN对比,Pe MS-BAY数据集中,平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE分别降低3.06%、3.52%、6.68%。METR-LA数据集中,分别降低5.25%、5.73%、6.07%。证明STDE-GCN有效提取动态时空相关性,提升了预测性能。（2）针对现有模型长期预测能力不足的问题,以及对空间动态建模能力的进一步提升,构建时空注意力图卷积网络（Spatio-Temporal Attention-based Graph Convolutional Network,STAGCN）模型。STAGCN设计了时空多头自注意力模块,捕捉交通路网的空间异质性和时间相关性;利用自注意机制构造动态自适应邻接矩阵,自适应地调整空间相关性。此外,STAGCN考虑了交通数据的周期模式,将日周期和周周期信息融合进数据;并利用关系感知自注意力对多头自注意力进行优化。在Pe MS-BAY和METR-LA数据集上进行实验,结果表明:与最新的ASTGNN对比,Pe MS-BAY数据集中,MAE、RMSE和MAPE分别降低1.82%、3.27%、3.80%。METR-LA数据集中,分别降低2.77%、3.57%、2.28%。证明STAGCN能更好地进行长期预测,并进一步提升了模型动态建模能力。