随着智慧交通的发展,交通领域的数据呈现爆炸性的增长。交通系统的智能化实现往往是数据驱动的,多源数据的融合是首要解决的问题。此外,纯数据驱动的分析方法会忽略了经验知识,而无法得到期望的结果。为此,如何融合多源数据,引入知识对构建智能交通系统而言至关重要。作为新一代人工智能技术的重要分支,知识图谱常常被用于融合多源数据来构建大规模知识库。在智慧交通领域,构建交通知识图谱一方面可以便于交通数据的查询和统计,另一方面可以为交通态势分析与预测提供丰富的知识及更加多元的信息。在此背景下,本文首先基于Neo4j图数据库构建交通知识图谱,从而对多源交通数据进行融合。与传统知识图谱不同,交通知识图谱中含有大量与时间相关的动态数据,这无疑会使知识图谱规模过大,影响查询速度。为此本文将这些与时间相关的动态部分作为属性存储,而静态部分都是交通中道路、POI等空间相关的元素,可将其作为实体存储。这样一方面可以大量减少知识图谱中的边,提高查询效率,一方面又可以将时间与空间部分分离,方便在交通预测时对二者相关性的分别挖掘。在所构建的交通知识图谱上,可以更为便捷地实现原本很复杂的跨库知识查询。同时我们还对知识图谱进行了规则推理,进一步丰富知识图谱。其次本文研究交通知识图谱的应用。通过在交通知识图谱上建立时空图,并实现基于时空图卷积网络的挖掘方法,来进行交通预测。现有时空图卷积网络方法的优化侧重于改进其网络结构,使模型能更好的挖掘时空图中的信息。但它们都忽略了对时空图本身的改进,导致继续对网络结构优化很难再提升性能。现有的时空图通常通过检查点之间的距离建立,只能表示检查点在路网中的临近关系。实际上检查点之间的交通情况还会因POI、直接邻接及多跳邻接等其他信息产生相关性,而这些多元化的信息在交通知识图谱中广泛存在。因此本文利用知识图谱中的信息建立时空图,自动的挖掘检查点在知识图谱中的相关关系,使时空图的空间信息更加全面。通过真实交通数据集上的实验,本文模型预测效果优于现有其他模型,验证了交通知识图谱的应用对交通预测效果的提升。