交通大数据作为大数据一个重要分支，与人们的生活息息相关，目前对于路网交通流数据的研究尚浅，而且大多集中在高速路网。由于环境更复杂，影响因素更多，城市路网交通流具有更加复杂的时空依赖。交通大数据最基础的两个研究，一是基础统计量路网流量和速度建模，准确地预测路网流量和速度在交通信号灯优化、市民出行规律研究、潮汐车道设置以及交通决策支持方面有很好的应用;二是交通拥堵模型，设计良好的交通拥堵指数是准确描述交通拥堵状况的量化指标，可以使交管部门和市民更方便实时地了解拥堵状况，同时也是衡量交通改善或恶化的标准。　　本文主要关注交通流的预测任务和动态交通拥堵模型设计。交通流预测包含流量预测和速度预测，动态交通拥堵模型设计包括单路段与区域交通指数设计以及交通指数的预测。本文的主要研究工作包括:　　构建城市路网交通流量和速度标准公开数据集。本文基于贵阳交通大数据平台，通过基础过车数据重构路网拓扑结构，建立贵阳市路网交通流量和速度数据集。该数据集包含112个交叉口，两个月的过车数据。开源该数据集，为该领域研究者提供方便。　　使用图注意长短时记忆网络(GAT-LSTM)预测路网交通流量。本文将路网交通流量预测建模为无权图结构数据序列建模问题，该网络，一方面使用注意力机制动态地计算各个路口之间的关联度，从而获取交通流量的空间依赖;另一方面通过循环神经网络获取序列的时间依赖。实验结果表明，该模型在城市路网流量预测任务上取得最好的效果。　　使用扩张卷积循环神经网络(DCRNN)预测路网交通流速度。本文将交通流速度建模为有权图结构数据序列建模问题。该方法将交通流建模为一个有向图上的扩散过程，使用双向的随机游走来获取交通流的空间依赖，并使用循环神经网络来获取交通流的时间依赖。实验结果表明，该模型在城市路网交通流速度预测任务上取得最好的效果。　　动态交通拥堵模型设计。本文设计了基于速度的动态交通拥堵指数，该指数可以适用于不同路段状况以及不同天气条件。首先对每个路段构造相应的特征，使用k-means聚类算法得到该路段不同情况下的自由速度。然后对不同时间也使用k-means聚类得到需要选择的恰当的自由速度。最后可以计算出交通指数。对于区域指数，本文采用受影响车辆数对区域所有路段交通指数加权得到。基于流量和速度的预测，还可以得到交通指数的预测。实验结果显示，该动态交通指数可以客观地评价交通拥堵状况，并且可以动态地适应不同的情况。