近年来,全球各个国家都在大力发展智能交通系统以实现高效的交通管制。交通流预测是智能交通系统中不可或缺的一部分,精准而实时的交通流预测能为交通管理部门合理地引导和控制车流量提供重要的数据支撑和理论支持,对提升城市交通路网的运行效率和改善居民出行体验有重要意义。然而,交通流数据往往具有复杂的动态时空相关性,这使得交通流预测任务的难度大大增加。现有的交通流预测方法在挖掘交通数据的时空特性方面也存在不同程度的缺陷。为了应对上述挑战,本文提出了几种基于循环卷积神经网络的交通流预测模型,来挖掘实际交通路网中交通数据的时空相关性。并根据传统卷积和循环网络的缺陷和不足,用图卷积神经网络以及循环神经网络的变体对模型进行改进以增强模型的预测性能。本文的主要研究内容如下:首先,本文提出一种基于时间注意力机制的卷积长短时记忆网络模型。此模型利用时间注意力机制来捕获同一节点不同时间上交通数据的相关程度,然后使用一维卷积操作对时序数据的空间特征进行提取,最后将输出的时间序列馈送到长短时记忆网络中捕获交通序列的时间依赖性。本模型充分改善了传统时序模型无法进行空间相关性的建模和无法处理非线性数据的缺陷。之后,本文又提出一种基于空间注意力机制的门控循环图卷积网络模型。此模型通过空间注意力模块来挖掘不同道路在空间位置上的相关程度,然后使用图卷积神经网络挖掘交通数据中的空间特征,最后将输出的时间序列馈送到门控递归单元中捕获交通序列的时间依赖性。解决了卷积神经网络只能处理二维网格数据而不能处理交通路网图结构的问题。接着本文构建出一种基于自适应图卷积的时空循环网络模型构建。此模型提出两个自适应模块来增强传统图卷积运算的功能,以充分提取图数据的空间特征。然后将预定义的静态邻接矩阵和生成的自适应邻接矩阵图卷积运算后的结果进行加权平均操作,得到的张量能更好地从多方面捕获节点之间的空间依赖性。最后将输出的时间序列馈送到门控递归单元中捕获交通数据的时间依赖性。此模型主要解决了预定义的静态邻接矩阵不能完全包含节点之间空间依赖信息的问题。最后,将以上三种交通流预测模型在真实的交通数据集上进行性能评估实验。与一些经典的基线模型进行对比,本文提出的基于循环卷积神经网络的交通流预测模型都取得了不错的预测性能。此外,本文还对每个模型进行消融分析,充分验证了模型中各个模块对提升预测精度的有效性。