本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积（Graph Convolutional Networks）结合时域卷积来提取交通数据的时空关系，并采用多任务学习MTL（Multi‑Task Learning）结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型，可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构，可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据，剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务，分别为目标任务前15分钟时间段，目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务，可以实现模型参数的鲁棒性。