随着社会的进步,经济水平的增长,生产要素流动性增大,交通做为生产要素流通的载体,是城市发展的重要动力,对交通时间序列进行预测,有重要意义。本文主要研究的交通时间序列为交通指数数据和南锣鼓巷景区客流数据,利用统计学,机器学习等方法分析数据的特点,并通过深度学习模型提取、应用交通时间序列特征,实现交通时间序列的预测,本文主要研究内容如下:1.对应用于Natural Language Processing（NLP）领域的Sequence to Sequence Learning（Seq2Seq）模型进行应用创新。综合交通指数预测的国内外研究现状,对传统预测方法和深度学习预测方法进行分析比较;挖掘交通指数的特点、分析Seq2Seq模型的优缺点,利用该模型进行交通指数预测;使用随机搜索法对模型的参数进行选择。实验结果表明了Seq2Seq模型的有效性。2.提出了一种基于模式特征的交通指数预测模型（Prediction Model based on Pattern Feature）。根据交通指数的变化规律,发现数据间存在的相关性;通过Convolutional Neural Network（CNN）提取交通指数数据间的模式特征,并将其做为辅助信息输入到Seq2Seq模型的解码层中;针对PMPF模型预测时出现的问题,利用线性回归模型（Linear Regressive）对PMPF模型进行微调。实验结果表明PMPF+LR模型有较好的性能。3.提出了一种基于Graph Convolutional Network（GCN）-Recurrent Neural Network（RNN）的景区客流预测模型。根据南锣鼓巷景区内历史客流和周边公交地铁站客流对景区内客流进行预测,其中景区与周边站点的地理位置关系为‘图’结构,站点客流不仅对景区客流有影响,站点间也相互影响,因此本文利用GCN提取景区和站点的空间特征,将GCN提取的空间特征做为RNN的输入,进一步提取景区客流的时间特征。最终通过实验验证了该模型的适用性。