作为智能交通系统的重要组成部分，交通预测是众多交通应用的基础。性能良好的交通预测系统可以提供及时精确的交通信息，有助于缓解拥堵，提高出行效率，减少能耗和污染。由于其重要意义，交通预测受到了学术界和工业界的高度重视。

由于交通路网的不规则性，嵌入在交通路网上的交通数据本质上是一种图结构数据。同时，交通数据有很多特殊性质：平稳性的统计特性、复杂的局部结构、动态性和全局关联性。针对这些特性，本文设计了多种有效的图卷积方法来处理交通预测问题。本文的贡献包含以下几个方面：

针对交通数据非平稳性的特点，提出了一种基于核加权图卷积神经网络的交通预测方法。该方法的核心思想是将多个卷积核的加权求和结果作为实际参与运算的卷积核，并通过调整卷积核的加权系数来放松权值共享约束。具体地，核加权图卷积同时学习多个候选卷积核以及随位置变化的卷积核线性组合系数。由于在不同位置实际使用了不同的卷积核参数，核加权图卷积放松了继承于经典卷积神经网络的权值共享约束，从而更适合处理非平稳的交通数据。在数学上，本文证明了所提方法可以被视为局部连接网络的低秩近似。实验结果验证了所提方法的有效性。

针对交通数据具有复杂局部结构的特点，提出一种基于局部静态结构学习的交通预测方法。具体地，该方法通过学习一个局部静态图结构来掌握相邻节点之间的关系，从而更好的捕获交通数据中的空间信息。技术上，引入了图结构系数并将其作为可学习的参数直接参与卷积运算，从而有助于所提方法的卷积核聚焦于邻域内的重要节点。此外，通过将图结构系数与卷积核参数相结合，所提方法放松了权值共享的约束，能较好地处理非平稳的图结构数据。在多个数据集上充分的实验评估证明了所提方法的有效性。

针对交通数据动态性和全局关联性的特点，提出了一种基于结构学习卷积神经网络的交通预测方法。首先，提出了结构学习卷积这一泛化性较强的图卷积框架，多种现有的图卷积方法可视为其特例。沿着这一技术路线，本文构建了两个结构学习模块以分别捕获全局和局部结构。每个模块分别包含一个静态结构学习项（用于学习所有样本的共享结构），和一个动态结构学习项（用于学习每个样本的独特结构）。模块中的每一项均可视为结构学习卷积的一种特殊实例化。此外，所提方法中加入了伪三维卷积模块来捕获交通数据中的时间依赖关系。该方法在六个交通数据集上进行评估，大量的对比实验表明所提出的方法优于当前主流方法。