当前生活中,交通拥堵日益严重。智能交通系统的目标是尽可能缓解交通拥堵问题,改善交通痛点,交通状态预测是智能交通系统对交通实行控制优化的依据,占有非常重要的地位。由于交通的优化方案需要时间设计和部署,城市规模的扩大也使人们单次出行的时间变长,所以可以同时兼顾短时预测和中长时预测的多步预测更为重要。此外,交通状态是一个受许多因素影响的变量,尤其是时间和空间维度的特征影响最大。当前的研究以短期预测为主,半小时以上的中长期预测和考虑其他特征的研究较少。本文以交通速度表示交通状态,在考虑时空相关性和其他特征对交通状态的影响下,针对城市道路交通状态的长时多步预测问题进行研究。主要工作如下:1)对交通状态数据完成数据预处理和相关性分析。首先,针对交通状态数据质量差的特点,完成了异常值检测、缺失值填充、数据采样等数据预处理工作。之后对交通状态的时间和空间相关性进行了详细的分析,并分析了交通状态数据和其他辅助特征如每天时段、节假日、道路类型、天气等的相关性。2)在考虑交通状态时空相关性的基础上,提出一种城市路网交通状态多步预测模型。首先,本文提出一种图卷积网络,该方法可以对交通路网的空间特征进行挖掘,并灵活地对上游路段和下游路段分别进行处理。在此基础上,进一步融合长短时记忆网络(Long Short-term Memory Networks,LSTM)与序列到序列(Sequence to Sequence,Seq2Seq)结构,实现考虑时空相关性的交通状态多步预测。通过注意力机制(Attention Mechanism)的引入,可以提升模型的效果,并观察历史数据中每一步的重要性。最终通过对比不同模型在数据集上的效果,体现了提出模型的有效性,并对结果进行了详细的分析。3)在基于时空相关性的交通状态预测的基础上,进一步提出一种考虑其他辅助特征的交通状态多步预测模型。首先,对类别型辅助特征进行独热编码(One-hot Encoding),以实现类别特征的离散化。针对特征离散化后维度变大的情况,基于Embedding思想对特征进行降维,与交通状态数据一起作为预测模型的输入。实验结果证明提出的方法可以在参数量增加较少的情况下达到好的多步预测效果,并对辅助特征降维时所用的权重矩阵和得到的嵌入向量进行了分析和解释。