随着科学技术的快速发展,各种位置传感器,如GPS、智能手机WiFi等,被广泛地布置在城市的各个角落。大量的位置传感器在城市居民使用的过程中产生了海量的城市时空数据,各类交通出行数据是城市时空数据重要的组成部分。对城市交通流进行准确的预测对许多城市时空计算任务和智慧城市相关的应用至关重要,如人流量预测和交通拥堵预测等。但是,现有的交通流量预测方法难以有效解决数据稀疏或数据分布不均衡问题,也无法同时对相关联的城市交通学习任务进行建模。同时,在城市交通流预测中,用统一的数据表示形式表示数据,并对输入特征的差异性进行建模,是一项新的挑战。针对上述问题,我们在基于深度学习的城市交通流预测方面开展了如下三方面工作。首先,针对数据分布不均衡和数据稀疏问题,我们提出了一种基于域适应的跨域城市时空数据迁移学习方法ST-DAAN。给定一个数据量充足的源域和一个数据量稀疏的目标域,该方法利用ConvLSTM网络学习输入数据的高维特征表示,并将其映射到同一个高维空间中,然后通过最大均值差异拉近源域和目标域的分布距离,以利用丰富的源域知识辅助数据稀疏的目标域进行预测。基于真实的公开数据集上的实验,我们验证了ST-DAAN的优越性,相关工作被智能交通领域权威期刊IEEE Transactions on Intelligent Transportation System录用。第二,我们研究了如何对相关联的城市时空数据学习任务进行建模,提出了一种基于深度多任务学习的城市出入流和出发地-目的地（OD）的预测方法MT-ASTN。该方法基于对抗学习设计了一个共享-私有多任务学习框架,学习出入流和起止点OD数据的公共特征,并使用异构时空神经网络和时序队列提取上述两种时空数据的深层特征,最后结合任务的公有特征与私有特征对两个任务分别进行预测。在多个真实城市人流数据集上,我们验证了该模型的有效性,并且通过案例分析并展示了该模型的合理性。相关工作发表在数据挖掘权威会议ACM CIKM2020（CCF B类）。第三,我们研究了城市时空数据的统一表示学习问题,通过考虑数据特征之间的差异性,提出了一种基于多通道、多视角的时空图神经网络的交通流量预测方法。首先,我们用图对城市交通流量数据进行建模。然后,考虑到不同特征之间的差异性,提出了一种新颖的通道级的图卷积神经网络。通过大量的实验,我们验证了该方法的优越性和有效性。本文研究的基于深度学习的城市交通流预测方法,为缓解数据稀疏性,同时建模相关联的时空学习任务,考虑输入特征的差异性提供了新的思路和方法,并为时空数据挖掘和城市计算提供了支持。