准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题，在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下，结合城市交通流量的时空特性，建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先，采用细粒度的网格划分方法来构建交通流量的时空矩阵；其次，利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性；最后，利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性，并实现交通流量的预测。实验结果表明，STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比，均方根误差（RMSE）指标分别减小了17.15%和7.37%，均绝对误差（MAE）指标分别减小了22.75%和9.14%，决定系数（R2）指标分别提升了11.27%和2.37%。同时，发现该模型在规律性较高的工作日的预测效果好于周末，且对工作日早高峰的预测效果最好，可见该模型可为短时城市区域交通流量变化监测提供依据。
