近年来,随着互联网技术和存储技术的发展,时空数据的规模越来越大,形成具有大数据特点的时空大数据,其中,交通大数据是最典型的时空大数据。智能交通系统作为智慧城市的一部分发挥着重要的角色,其通过车辆和环境的密切协作去缓解交通堵塞,提高交通路网的通行效率。精准的交通预测对于智慧城市中的智能交通系统至关重要。本文主要的研究目标是对交通流量进行更精准的预测,为下游任务提供重要的决策指标。由于交通大数据复杂的空间相关性、短时临近相关性和长期周期相关性,交通预测具有很大挑战性。虽然现有方法已经在建模中考虑了这些因素,然而大多数方法都是基于卷积或图卷积神经网络来对空间相关性进行建模,而卷积算子对非欧几里德成对相关性的建模不够充分。本文提出了一种端到端的基于注意力机制的神经网络模型,对交通流量进行预测。首先,使用跳跃连接循环神经网络捕获每个交通路段流量的长时周期相关性,学习每个交通路段的周期性变化规律。其次,提出一种新颖的空间注意力机制,它能够在长周期的时间跨度上,捕获不同时刻每个交通路段与整个交通网络的动态空间相关性。因为每个交通路段都参与了所有交通路段的计算,所以对模型具有一定的正则化效果,避免了交通路段之间的过拟合。最后,使用时间注意力机制,捕获临近时间内不同时刻的交通流量与当前时刻的时间相关性。通过在多个现实世界中的交通数据集上的实验,本文分析了不同模块对模型预测精度的提升效果,并且比较了本文提出的模型与其他基准模型的预测性能。实验结果表明,本文模型的预测精度优于现有基准模型,证明该模型能够对交通大数据的时空相关性进行更有效的建模。