在交通预测场景中,实时准确的预测方法对于城市交通流量的控制和管理至关重要。然而,一方面交通流数据具有复杂的非线性空间相关性,即不同的道路节点之间具有不同的连通关系。另一方面其具有动态时间关联性,即道路节点的空间相关性会随着时间产生变化,同时交通流数据在整体上呈现一定的周期性,但在局部存在着异常性和不确定性。因此,如何高效地挖掘交通流数据中的这些隐藏的相关性信息成为了交通预测中的一个重要的任务。此外,交通流数据规模庞大,现有方法在训练和预测时需要大量参数和时间,无法满足实时性要求。因此,进行实时的交通预测也是重要的研究方向。为了挖掘交通流数据复杂的时空相关性和减少模型的训练时间以达到一定的实时性,本文提出了三种新的交通流预测方法,并通过对比实验证明了所提方法的优越性,主要工作如下:（1）针对现有交通预测方法在提取空间特征信息过程中缺乏灵活性以及忽略了局部和全局时空特征之间关联性的问题,本文提出了一种融合图小波和注意力机制的交通流预测方法。该方法采用小波变换和自适应矩阵分别提取交通流局部和全局空间特征信息,并结合改进的循环神经网络提取局部时间特征信息。同时,该方法通过注意力机制来捕获时空动态变化性,并利用一种时空特征融合机制来融合局部和全局时空特征信息。实验结果表明,该方法能很好地提取真实交通数据集中空间和时间特征,预测效果优于现有的方法。（2）针对基于距离的邻接矩阵无法充分地表达交通网络中道路的邻接关系以及基于循环神经网络（Recurrent neural network,RNN）的交通预测方法无法并行化,难以训练的问题,本文提出了一种面向交通模式相似性的交通流量预测方法,该方法通过移动归一化互相关算法计算各个道路的交通模式相似性,并选择交通模式相关性最高的道路作为邻居道路,利用残差扩散图卷积网络来提取交通流空间特征。另外采用时间卷积网络（Temporal convolutional network,TCN）和Tanh门控机制（Gated tanh unit,GTU）来提取交通流的时间相关性。实验结果表明该方法优于现有的方法。（3）针对目前大多数交通流预测方法注重于预测精度的提升,而忽略了训练时间和推理时间的花销以及数据的隐私问题,本文提出了云边协同的短时交通流预测方法,该方法利用了一种图划分方式将融合了交通相似度和距离相似的邻接矩阵划分为若干个子图,通过联邦学习中的Fed Avg算法框架来处理边缘和云端模型的参数更新问题,实验结果表明该方法在保证一定的预测性能的前提下有效地减少了模型的训练时间和推理时间,且具有较好的鲁棒性。