交通预测是智能交通系统领域中的一个经典方向和研究热点,它有助于交通控制、路线规划、车辆调度等任务,对于缓解交通拥堵以及保障公共交通安全具有重大的作用。影响交通预测的主要因素包括道路网络结构的空间相关性和路况非线性动态变化的时间依赖性。最近的工作将各种深度学习方法应用于交通预测,主要利用图神经网络进行空间相关性建模,利用循环神经网络进行时间依赖性建模。然而,大多数现有方法假设空间相关性是静态的,时间相关性仅具有序列依赖性,并且没有充分考虑交通流中的不确定性。针对现有模型面临的挑战和不足,本文设计了“增强时空注意力图神经网络（RSTAG）”和“变分图循环注意力神经网络（VGRAN）”这两种模型来分别提升交通预测的准确性和量化交通流中的不确定性,主要研究内容和创新贡献如下:（1）针对道路网络中复杂的时空相关性,本文通过改进图神经网络,构建两种注意力机制来捕获交通中不同时空因素的重要性影响度。具体地,该方法通过空间注意力机制来建模图网络中不同位置的空间相关性,利用时间注意力机制来建模多步预测中不同时间的周期依赖性,使得模型关注到交通最重要的时空因素。（2）针对当前交通预测模型会随着序列的生成而产生误差累计的问题,本文采用了强化学习策略优化方法来更新模型参数。具体地,该算法将最大似然估计与强化学习的奖励回报函数相结合,在训练过程中利用自身的生成值逐步提高模型的预测性能,从而缓解模型的有偏预测问题,提升了交通预测的准确度。（3）针对交通中不可预测的随机事件产生的影响,本文研究了一种变分贝叶斯技术来量化交通预测的不确定性。具体地,该方法通过变分图神经网络建模节点表示和传感器属性的不确定性,利用生成流模型来输出带有不确定信息的交通序列,克服了传统点值预测方法产生的不可靠问题。此外,它能够实现有效的变分推断和交通数据隐式后验的可靠建模,可以提升模型的可解释性。为了验证所设计模型的有效性和可靠性,本文对在两个现实交通数据集进行了充分的对比实验和消融分析,实验证明了本文实现的方法在性能评估指标上都要优于相关的基准模型。此外,本文的研究既从算法优化的角度提升了交通预测的准确度,又从模型可靠性的角度量化了交通预测的不确定性,因此本文研究的方法具有一定的通用性和延续性,具有很重要的理论研究价值和实际使用意义。