针对现有的交通流预测模型存在难以对非邻近节点之间的时空相关性显式建模的问题，提出一种新的利用超图表征空间相关性的超图卷积神经网络模型(double attention hypergraph convolution neural network, A2HGCN)。首先，通过寻找节点之间的相似关系构造超边，利用节点之间的连接关系构造超图；然后提出一个超图卷积模型，其中利用超图卷积和将超图线扩展为图后利用线图卷积来捕获潜在的空间相关性；再利用融合双层注意力机制的卷积长短时记忆网络捕获时间相关性，最后得出预测结果。在数据集PEMS-BAY中，A2HGCN方法的评价指标MAE、MAPE和RMSE在预测步长为15 min时为1.223、2.617%、2.547,30 min时为1.554、3.541%、3.420,60 min时为1.867、4.578%、4.224。在数据集PEMSM中，该方法的评价指标MAE、MAPE和RMSE在预测步长为15 min时为1.858、4.385%、3.339,30 min时为2.374、5.775%、4.362,60 min时为3.046、7.713%、5.479。结果表明，该方法在不同预测步长下均优于基线模型，验证了考虑非邻近节点之间的时空相关性对于提高交通预测准确性的有效性。由此可得，超图卷积神经网络在捕获时空相关性方面具有优势。