目前新冠病毒的变异毒株仍在世界各地疯狂蔓延,给人们造成了不可估量的损失。为了逐渐恢复疫情状态下的城市运转,对城市进行精准化管理是十分必要的,而针对于不同功能区的人群密度变化提供重要的实时预测及分析预警便是其中一部分。这不仅可以在疫情期间帮助制定针对性的防控策略,在确保生命健康基础的同时最大化地保持城市生活的正常运转,也可以使医疗资源分配更加得及时且高效。然而现有的预测方法对于时空信息的捕捉并不充分,在时空信息利用方面还有较大的提升空间。针对于空间信息的利用,现有方法大多仅通过单一关系对空间信息进行简单建模,对于空间中不同关系产生的相互影响缺乏考虑,因此需要构建由不同关系组成的多关系图并进行充分表达。而对于时间信息的利用,大部分模型也只是对短时间序列提取时间信息,这限制了模型完全捕捉时空信息的能力。基于以上不足,为了对城市人群密度进行更精准的预测,我们对疫情期间的人群密度数据进行了细致的处理和具体的分析,并从时间和空间两个角度来设计模型,在确保效率的同时提高我们的预测水平,并希望能为后续的工作提供观察规律和设计思路。总的来说,本文的主要研究内容分为以下两点:（1）我们提出了一种多关系图卷积门循环单元（MGC-GRU）模型,从空间和时间两个角度进行信息增强来充分表达时空信息,进而更好地预测城市人群密度。具体来说,针对空间信息,为了充分表达区域之间的不同关系,我们构建了一个多关系的城市区域图,并基于此提出了一种基于多关系图卷积网络的图表征模块来充分表达区域的空间依赖。我们在模块中用聚合器来区分不同关系所蕴含的空间信息,并在传播器中用自注意力机制优化表征结果。针对时间信息,我们在对时间序列进行向量化后进一步构建了一个细粒度的序列预测模块,通过对不同粒度的时间序列进行建模来增强对时间信息的利用。（2）此外,为了增强图模块的综合能力,我们设计了带掩码层的图重构模块,通过对于节点嵌入进行部分遮蔽并在图卷积表征的解码器上恢复嵌入结果的方式,我们增强了图表征的表达能力和可解释性;而通过对时间信息的向量化表征,我们也增强了时间信息的表达能力。最后,我们在真实的实验数据下进行了大量的对比实验并对于各个模块的作用进行分析讨论,以证明我们的模型中各模块的不可或缺性以及在城市人群密度预测问题上的有效性。这有助于未来对我们的模型进行扩展和迁移。