短时交通流量预测是城市交通引导及管控的前提和基础,也是智能交通系统（ITS）的主要功能,准确的交通流量预测对道路使用者、交通管理部门和私营企业都至关重要。由于交通数据具有高度的非线性和复杂的模式,现有的短时交通流预测方法大多缺乏对交通流数据的时空特征进行建模的能力,因此难以得到满意的预测结果。并且当前的智能交通系统常采用基于模型的预测方法,导致了系统构建复杂,开发难度大,预测成本高等问题。为此,本课题设计并实现了一个基于神经网络的短时交通流量预测系统。主要的工作如下:（1）本课题为了捕获交通路网的空间特征,将路网结构定义为一个动态无向图结构,使用谱域图卷积网络作为特征提取网络。提出了一种选择性注意力机制,用来动态调整网络输入序列间的权重关系,以减少无关位置节点之间的影响。（2）本课题将交通流量数据在时间维度上划分为临近时间、日时间和周时间,并通过三个独立的组件分别对三个时间属性进行建模。使用卷积神经网络捕获交通流的时间特征,相比于传统使用循环神经网络的方法,速度提升了 10倍以上。（3）本课题提出了一种完全基于卷积结构构建的时空残差卷积块,并通过堆叠多个时空残差卷积块捕获区域范围甚至城市范围的遥远依存关系,使用残差单元保证深度网络的训练效果。在开源数据集PeMS上进行实验,结果表明,本模型在多个指标上的表现优于对照模型。基于以上研究,本课题设计并实现了一个交通流量可视化分析系统,主要包含三个功能模块:数据预处理模块、交通流量预测模块和流量可视化展示模块。系统采用微服务架构,解决了异构调用的问题,保证了系统的高可用性和可扩展性。通过以上功能,此系统可以正确引导用户出行决策,提高交通出行效率,缓解交通拥堵和资源浪费等问题。最后,通过系统测试验证了本系统的稳定性和有效性。