城市化使得大量农村地区的人口向城市地区转移,城市人口的增加可能需要新增部署以满足人们的生活需求,而新增部署会引起出行需求变化进而改变原有交通分布,可能会增加交通风险如产生交通拥堵。对于城市规划者和管理者而言,在新增部署之前预测可能带来的交通风险的重要性不言而喻。在城市规划场景下,本文将新增部署交通分布预测问题看作交通数据生成问题。首先本文从知识驱动和数据驱动两个角度综述了交通数据生成相关工作以及面临的空间依赖和时间依赖两个挑战。为了解决上述交通生成问题和两大挑战,本文第三章使用粗粒度数据处理方法得到数据,用同一模型框架下不同神经网络模块对新增部署交通分布进行了生成,实验结果表明卷积神经网络和长短期记忆网络能够捕获时空依赖关系,但是提升空间还很大。本文第四章用细粒度数据处理方法得到所要用数据,提出了一个有效的交通生成模型UT-GAN同样用于解决新增部署交通分布预测问题。模型包含生成器和判别器两个组件,组件中均使用了动态卷积层和多头注意力机制分别用于捕获复杂交通数据中的空间依赖和时间依赖关系。并在平均绝对百分比误差和均方根误差两个指标上对UT-GAN模型与对比模型进行了比较,实验结果表明本文模型的效果优于对比模型。为了研究模型自身参数影响,对UT-GAN模型的参数设置进行了实验,通过分析可知对于不同的数据集调整模型的结构才能得到最佳的估计结果。综上,本文的模型在解决城市交通估计问题上是有价值的。