人流量预测在城市交通管理和城市公共安全中发挥着重要的作用，准确预测城市区域的人流量具有非常大的挑战。一方面，城市范围的人流量数据是高维度的，而在原始的高维数据中通常包含冗余信息，这会对预测结果造成一定的误差，降低预测的准确度。现有的预测模型大多数都没有考虑高维度人流量数据对预测精度和算法效率的影响，并且网络结构复杂、参数量大，训练网络需要消耗巨大的成本；另一方面，人流量的预测受到空间结构关联性、动态时间依赖关系和外部因素(例如天气、节假日、活动事件)等诸多复杂因素的影响。针对上述问题，本文根据城市区域人流量预测问题的特点和影响区域人群流动的因素，对基于深度学习的城市区域人流量预测方法进行了深入研究。
　　针对高维度的人流量数据和时空因素对模型预测精度以及算法效率的影响，本文提出了基于BRBM的深度瓶颈残差网络人流量预测模型(BRBM-B-ResNet)，该模型主要包含两个部分：数据重构机制和协同预测机制。数据重构机制主要采用BRBM对高维度的人流量数据进行降维和重构。协同预测机制主要由时空预测子模型和外部辅助预测子模型构成，时空预测子模型采用分离的瓶颈残差网络将人流量数据建模成三个时间维度(小时、日、周)，通过这样的方式来挖掘不同区域之间人流量的时空依赖关系；外部辅助预测子模型采用两层全连接网络对外部因素数据进行处理，从而辅助预测城市人流量。
　　针对深度时空残差网络人流量预测模型(ST-ResNet)中，跳跃连接的网络结构容易发生部分特征信息流丢失以及未考虑更细粒度时间特征信息的问题，本文提出了基于空洞卷积的密集连接网络预测模型(ST-DDN)，该模型包含三个部分：空间预测部分、辅助预测部分和时间关联部分。空间预测部分采用空洞卷积对密集连接网络进行改进，并用来建模城市区域之间不同层次上的空间关联关系；辅助预测部分采用全连接网络对外部因素数据进行处理；时间关联部分采用SE-LSTM模块学习人流量数据和外部因素数据中更加细粒度的时间特征信息。
　　本文通过TaxiBJ和BikeNYC两个数据集来验证提出的模型，实验结果证明，BRBM-B-ResNet模型和ST-DDN模型不仅有效地提高了预测精度，而且性能优于其它已存在的基线模型。