随着绿色出行和安全出行理念的普及,车联网技术快速发展,汽车时空流量预测逐渐成为一个研究热点。精确高效的汽车时空流量预测不仅有利于交通管理者对复杂路网的监管,还可以减少交通损失和市民出行的耗费时间。然而,负责监测数据的传感器一旦出现故障会导致严重的数据缺失问题。传统数据增强方法可以缓解数据缺失,根据某种分布假设（如高斯分布）补全数据,但是这些固定的数据分布无法拟合真实流量变化;另一方面,汽车流量数据因复杂路网设计与实时路况影响在时间与空间两个方面呈现高度变化性。现有流量预测算法可以同时考虑时空信息,但是空间维度只考虑空间节点的自身流量变化信息（内容信息）和邻居流量信息,忽视了节点间的距离信息和方向信息的影响;时间维度信息提取过程中使用的深度学习模型框架由于其结构设计无法避免信息丢失。针对现有研究存在的问题,本文从数据层面和技术层面开展数据增强与流量预测算法的研究,旨在解决以下难点:a.学习模拟分布呈现高度变化性的汽车流量数据,生成可靠数据进行缺失数据填充;b.汽车流量数据中空间节点的内容、邻居、距离和方向等多个方面信息的有效融合;c.设计能防止时间信息丢失的深度学习模型框架。针对上述难点,本文进行技术研究与实验证明分析,并开发汽车时空流量预测网站系统进行数据可视化展示,主要分为四个部分:（1）分析数据缺失问题对汽车时空流量预测任务的影响,针对难点a,基于生成式对抗网络的思想设计博弈机制学习汽车流量数据复杂分布,提出数据增强模型,利用该模型对汽车流量数据进行补全。（2）总结现有深度学习研究在空间特征提取和时间特征提取两个方面上的缺点,提出汽车时空流量预测模型框架。针对难点b,基于图卷积神经网络的思想设计空间特征提取器,有效融合内容、邻居、距离和方向信息;针对难点c,基于自注意力机制的思想,提出时间特征提取器,解决时间信息丢失问题。（3）在两个公开数据集上设计并进行实验,通过与经典和前沿技术方法的实验对比,证明本文提出的两种技术方法的有效性。（4）设计并开发汽车时空流量预测网站系统,将汽车时空流量数据和所提出的技术方法得到的数据结果进行可视化展示,说明了本文研究的实用性。