城市作为区域经济、政治和文化的中心,城市居民的日常出行需求呈多样化高频次的特点,如通勤、购物、娱乐等。但公共交通拥挤、公共场所人群密集、道路交通拥堵等低出行舒适度的问题也日益突出。当前,多个城市推出实时“拥挤度”、“交通指数”等出行参考指标,城市居民可据此合理选择出行,人流密集管控、道路交通疏导等措施的实施有了较好的针对性。但这些实时监控的出行参考指标,只反映当前而没有预测其即将产生的变化,作用相对有限。因此,城市人群流量的预测成为了研究热点。现有研究集中在将城市划分网格、预测每个网格区域下一时段人流量。但考虑到城市人群流量快速变化,人流密集管控等措施需要较长的反应时间和高峰流量所在具体位置,论文对未来连续多时段的预测方法,即城市人群流量的多步预测问题,展开了研究。具体地,基于深度学习技术,论文首先探索了面向网格划分的城市人群流量多步预测方法,而后聚焦于城市具体位置（以下称站点）的人流量预测,研究如何结合站点的地理信息、设计基于时空注意力机制和深度神经网络的预测方法,实现准确的预测。主要工作和创新点如下:（1）针对面向网格划分的城市人群流量多步预测问题,提出了基于时空注意力机制的城市人群流量多步预测模型。与已有大多数研究采用循环神经网络进行迭代多步预测不同,为避免迭代造成的误差累积,该模型由多个时空注意力机制网络层构成,其特点在于无循环神经网络单元。时空注意力机制网络层混合了时间和空间维度的注意力机制,直接建模待预测区域和时段与其它区域和时段在人流量变化上的时空关联关系。针对多步预测中靠后的待预测时段与已观察时段在人流量变化上时空关联关系减弱的问题,预测模型引入时空核密度快速估计的粗预测结果,从而降低多步预测总体误差。（2）针对面向站点的城市人群流量预测问题,提出了基于时空U型网络的站点人流量单步预测模型,在此基础上进而提出基于层次化时空注意力机制的站点人流量多步预测模型。首先,针对现有卷积网络不适用于非规则网格数据的问题,通过融合站点在道路网内分布的地理信息,在单步预测模型上探索和验证了考虑受限路网的卷积网络的设计,以建模邻近站点间人群流量的空间关联关系。据此,借鉴面向网格划分的多步预测模型,提出了面向站点的人流量多步预测模型。特别的,针对单个站点人群流量变化规律模糊、成对站点注意力机制计算复杂且站点间人流量相关性度量困难的问题,设计了基于站点层次划分的网络结构、‘站点-区域’的跨尺度注意力机制,以综合全局与局部人流量变化信息。（3）深入分析了预测方法在人流量峰值时段出现的预测“低估”问题,提出了基于分类与回归框架的峰值识别与预测模型。具体的,通过分析指出了峰值样本少、数据不均衡却以降低总体平均误差为优化目标,是一般预测模型在峰值时段预测“低估”的原因。提出针对峰值预测的分类与回归框架,同时回答是否出现峰值时段和峰值的大小两个问题。即利用分类判别模型,预测站点是否出现峰值时段,确定人流量大致范围;通过回归预测模型,针对性降低在峰值时段人流量的预测误差;采用调整类别损失权重的方法,协同训练峰值判别与预测模型,最终提升城市人群流量峰值的判别准确率和预测精度。