车联网技术的进步促进了智能交通系统(ITS)的发展,因此,基于智能算法的预测模型成为目前ITS领域的研究热点。然而,交通流数据的时空动态性特点给预测模型的设计带来了挑战。非空间敏感性预测模型在实际交通场景中无法学习不同地点之间的影响,而现有的时空预测模型没有充分利用时空动态特性,难以挖掘交通流数据的时空模式。因此,构建合适的时空模型对交通流预测问题具有很大的研究价值。本文以时空模型为中心对交通流预测问题展开研究,具体的工作及贡献如下:1)本文通过定量和定性分析交通流数据的时序周期性,表明日周期性和周周期性具有相似的数据模式,可以合并为周期性组件;其次,周期性组件可以看作是近期组件的“未来”数据。基于此分析结果,针对预测模型的周期性建模问题,提出了两种建模方法,先将现有的多组件建模方法简化为双组件建模方法,进而简化为单组件建模方法,从而有效地提升模型的计算效率,节省预测时间。2)提出一种改进的图时空卷积神经网络GSTCNN。首先定义了一种基于边的子图采样方法EBSGS,以提升空间模型的扩展性。接着使用简化的拓扑自适应网络(STAGCN)对子图进行空间特征提取。最后引入具有可解释性的时序卷积网络(TCN)进行时序特征提取。3)在GSTCNN的基础上,提出了一种改进的基于注意力机制的图时空卷积网络AGSTCN。基于自注意力提出了一种改进的时空分离注意力机制,时间注意力用于捕获交通流时间维度的动态依赖特性,空间注意力用于学习交通网路不同地点之间的动态影响权重。使用本文的时空注意力机制不仅可以捕获不同时空位置对当前时空位置的动态性影响,并且可以提升GSTCNN的远程依赖能力。4)在两个公开的高速公路交通流数据集Pe MSD8和Pe MSD4上进行实验验证,实验结果表明:首先,本文提出的基于坐标轴和融合输入周期性建模方法在两个数据集上的平均预测时间(MPTE)评价指标表现均优于其它方法;其次,GSTCNN模型在预测性能相当的情况下,提升了模型的扩展性;最后,AGSTCN模型在两个数据集上的预测效果均优于其它模型,在Pe MSD8和PEMSD4数据集上的MAPE评价指标得分分别为11.05和13.76,相比于现有的ASTGCN模型提升了4.0%和2.5%。