时空预测在神经科学、气候和交通领域有多种应用。交通预测是此类学习任务的一个典型例子。该任务具有挑战性，主要由于以下原因：（1）道路网络上的复杂空间依赖关系；（2）随道路条件变化的非线性时间动态；（3）长期预测的固有难度。为了解决这些挑战，我们提出将交通流建模为有向图上的扩散过程，并引入了扩散卷积递归神经网络（Diffusion Convolutional Recurrent Neural Network, DCRNN），这是一种用于交通预测的深度学习框架，能够同时考虑交通流中的空间和时间依赖关系。具体而言，DCRNN通过图上的双向随机游走捕捉空间依赖关系，并利用编码器-解码器架构结合计划采样来捕捉时间依赖关系。我们在两个真实的大规模道路网络交通数据集上评估了该框架，观察到其性能比现有最佳基线方法提高了12%至15%。