智能交通系统（Intelligent Traffic Systems,ITS）是一个复杂而综合的系统,主要由交通数据信息采集系统、数据处理分析系统和信息发布系统组成。通过传感器或者GPS定位系统等方式采集交通数据信息,再汇集传输到交通信息处理分析中心系统,通过相关算法或模型对数据进行统一处理和挖掘,分析掌握道路交通运行状况,进而判断拥堵状况、是否有突发事件等,以此来帮助交通管理部门相关人员及时做出道路调度决策,提升人们的出行体验。交通流量预测是智慧交通系统不可或缺的一部分。如果能对交通流量做出准确预测,那对交通规划以及车辆调度都具有非常重要的意义。道路网络中复杂的空间依赖性、非线性动态变化性（道路条件变化或者重大突发性事件等因素）、相关数据信息难以获取（道路岔口结构、公共交通设施、地区功能属性等）,导致预测准确性面临巨大挑战。本文基于多特征时空图网络,进行智慧城市的交通流预测研究,构建交通流预测模型,将收集到的PEMS04和PEMS08数据集在预测模型上进行运行,通过真实数据验证,结果表明,本文所提出的模型的预测准确性相比于其他预测模型具有明显提升。本文研究内容和主要贡献如下:1.将节点之间的交通关联信息映射成图网络,构建多属性融合的图神经网络模块（MFGCN）。将包含多个特征（如道路结构、平均占道率等）的图网络传入图神经网络（GCN）模块,用以构建交通流预测模型,充分挖掘交通图结构信息,从而捕获节点间的空间相关性以提高交通流预测的准确性。2.构建基于图注意力的多融合图网络动态时空交通流预测模型（DGAT）。使用多属性融合的图神经网络（MF-GCN）捕获交通流预测中的空间相关性,图注意力捕获交通流数据的动态变换性,使用卷积神经网络捕获时间维信息。使用收集到PEMS04和PEMS08数据集来验证模型的性能,结果表明,本文所提出的交通流预测模型DGAT的预测性能优于其他对比方法。3.构造基于多通道注意力的多融合图网络交通流预测模型（MFG-ECA）。引入多通道注意力模型（ECA）,通过一维卷积有效地实现不降维的局部跨信道交互,在学习通道注意力的同时避免了降维。将时间维度作为通道输入到ECA模块中,结合多属性融合的图神经网络（MF-GCN）,学习不同时间维度之间的交通数据的相关性、空间相关性以及动态变化性。通过真实数据验证,结果表明,本文所提出的模型的预测准确性相比于DGAT模型以及其他对比模型预测性能具有明显提升。