城市交通流量预测任务在现代化城市生活中扮演重要角色，受到学术界与工业界普遍关注。

城市交通流量预测作为智能交通系统的核心功能之一，为多项智能交通服务提供了关键技术支撑。准确的预测结果可以帮助城市居民设计出行方案，协助管理部门优化交通控制策略，提升交通服务质量。

然而，由于城市交通网络存在复杂的时空关联特征，城市交通流量预测任务仍存在以下挑战。

首先，城市交通流量通常呈现多类型时序依赖关系。一般地，交通流量既存在短时（约一小时）近邻时序特征，也存在长时（一天、一周、甚至更长）周期时序特征。如何针对多类型时序依赖关系进行建模以提升城市交通流量预测性能，是需要进一步研究的问题。其次，城市交通流量存在复杂的空间依赖关系。由于交通节点流量特征很大程度上受其周围土地利用类型、城市功能影响，因此其可能同时存在局部与非局部空间关联。此外，天气条件、节假日通知、重大临时事件等因素也会影响城市交通流量。这些事件所关联的数据多源异构，如何融合这些数据是一个难点研究问题。

针对以上问题，本文开展城市交通流量预测方法研究。主要工作与创新如下：

1. 提出了一种基于全局时空网络的城市交通流量预测方法。该方法通过构造多分辨率时间模块与全局关联空间模块，提取交通网络中的多类型时序特征，以及局部与非局部空间特征。具体地，时间模块由多层堆叠的张量因果卷积构成。其中，底层卷积感受野较短，提取短时近邻时序特征；高层卷积感受野较长，捕捉长时周期特征。另外，空间模块由局部谱域图卷积和非局部节点关联机制构成。其中，局部谱域图卷积用于学习近邻交通节点空间关联，而非局部节点关联机制挖掘远距离节点空间关系。全局时空网络融合时间与空间模块，在地铁、公交、出租车三个真实数据集上验证了有效性。
2. 提出了一种基于多源时空网络的城市交通流量预测方法。其核心思想是，提取并融合交通流量时空特征与多源异构外部数据特征。具体地，该方法首先设计了一种膨胀注意力图卷积，可提取非局部空间特征。其次，针对交通流量特征提取问题，采用多层堆叠的膨胀注意力图卷积同时捕获交通网络局部与非局部空间特征，并融合了短时近邻与长时周期时序特征。然后，针对外部数据嵌入问题，依据数据属性嵌入了天气、节假日、和城市主要兴趣点空间分布等特征。最后，针对多源数据融合问题，先在空间维度融合交通流量时空特征与城市兴趣点分布特征，再在时间维度融合天气、节假日特征。在三个真实数据集上验证了所提方法有效性。
3. 提出了一种基于元学习多源时空网络的城市交通流量预测方法。其核心思想是，采用元学习融合交通数据与多源异构时空外部数据。针对多源数据存在语义间隔问题，分别在时间与空间维度提出了元学习特征融合模块。在元学习框架下，外部数据与交通数据融合强度并非预先固定，而由元学习器训练习得。所提方法不仅消除多源异构数据间语义间隔，还可减少融合操作对数据源先验知识依赖。在此基础上，天气信息、节假日通知、和城市主要兴趣点分布等外部因素嵌入特征均可与历史交通流量数据融合。针对多类型时序特征提取问题，以及多步预测任务中的误差累积问题，提出的预测方法被设计为一种编码器——解码器结构。其中，编码器提取交通流量短时近邻趋势，解码器以历史周期数据作为近似估计，结合短时近邻趋势调整估计结果。在三个包含多源异构外部数据的真实交通数据集上，验证了所提方法有效性。
4. 提出了一种基于结构自动搜索多源时空网络的城市交通流量预测方法。其核心思想是，采用网络结构自动搜索技术，提取交通网络中局部与非局部空间特征。具体地，针对不同交通场景下非局部空间关联强度不一致问题，网络结构搜索技术可自动选择并组合具有不同感受野的图卷积算子，构造最优网络结构。此外，该方法继承了上一工作中的两项重要特点：基于元学习的多源特征融合策略，与模型整体的编码器——解码器结构。因此，该方法考虑了局部与非局部空间关联、多类型时序特征，实现了多源异构数据融合，解决了多步预测任务中的误差积累等题。在北京市地铁、公交、出租车等不同类型的真实交通场景下的广泛实验，验证了所提方法有效性。