人流量的预测问题对于智慧城市有重要的作用,其主要包含区域人流量的预测与兴趣点人流量的预测两方面。区域人流量是描述在一定空间内群体的流动情况,对城市计算、交通疏导、资源分配具有重要的作用。区域人流量的精准预测是一个具有挑战性的问题,要求同时捕获空间规律以及时间规律。目前现有的方案大多是按照网格的方式划分区域,探究人群在网格之间的流动关系,但实际的路网情况往往不是规整的网格形状,单纯使用网格的划分方式很难适用于所有场景。因此,本文利用图的结构划分区域,同时创新性的构建了区域地理相邻关系图与区域流动图,利用图卷积循环神经网络同时建模区域人流量的时空关系。本文选取纽约出租车公开数据集进行了实验验证与分析,实验证明本文提出的方法提升了区域人流量的预测精度,均方根误差降低了 0.05,优于现有的其他方案。兴趣点人流量的预测能够为基于位置的服务提供帮助,同时能帮助访客规划出行,指导经营者制定经营计划。但兴趣点人流量预测相比于区域人流量预测,兴趣点之间的地理相邻关系难以定义和表示,同时兴趣点具有功能类型的特征,因此难以直接建模来反应人群在兴趣点中的运动情况。目前已有工作在建模过程中往往只考虑时间规律,然而兴趣点人流量并不总符合时间规律,易出现波动。因此,本文综合考虑历史人流量特征和异常波动性特征进行建模预测,利用长短期记忆网络建模历史人流量特征,利用兴趣点所在区域的区域人流量变化带来的影响以及区域内兴趣点吸引力的分布情况来建模异常波动性特征,最后整合两方面特征来预测兴趣点人流量。我们收集了大量的用户签到数据构建了兴趣点人流量的数据集并进行了实验验证,实验结果表明本文方法较现有方法在兴趣点人流量预测方面有显著提升,均方根误差下降了 24.5%。