为了实时准确地预测城市交通流量，提高城市交通态势感知和预测准确度，提出一种改进的时空图卷积深度神经网络算法：基于自由流动可达矩阵的时空图卷积深度神经网络（FAST-GCN）. 利用图卷积神经网络有效表达城市复杂路网的结构特性，引入自由流动可达矩阵来挖掘复杂路网的时空依赖性，从而提高交通态势预测准确度；对交通流速及站点地理位置数据进行数据预处理；在现有的时空图卷积深度神经网络算法的基础上，增加基于自由流动可达矩阵的图卷积模块，以有效挖掘城市交通路网的独特空间特征；通过一个全连接的输出层输出交通流预测结果；在真实世界数据集PeMS上对算法效果进行验证. 结果表明，采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性，从而捕获交通数据的时空依赖性，优于时空图卷积（STGCN）等基线算法，其在45 min的预测准确率最好可提高5.656%；相比基线模型，所提算法能够适应大规模路网的交通流预测，且具有可扩展性.