先进信息技术与电子传感技术的发展为智能交通系统(IntelligentTransportationSystems,ITS)的部署和交通领域的理论研究提供了海量的数据支持。如何从采集的交通数据中有效地挖掘出潜在的交通变化规律,并通过ITS服务于交通参与者是研究的热点问题。由于所收集的交通数据量大且模式多样,因此基于传统的概率论、流体力学和动力学来建立可靠的交通流分析模型具有一定的挑战性。深度学习(DeepLearning,DL)作为一种新型的、先进的数据驱动的机器学习方法,在学术研究和工业应用中都引起了极大的兴趣。利用深度学习修复交通缺失数据和预测交通拥堵演化趋势并确定拥堵节点,对于下一步的交通控制优化等任务和政府治理拥堵都有重大意义。本论文重点研究了基于深度学习的交通流缺失数据修复和交通流预测问题,主要研究工作和创新点如下:(1)由于传感器故障、通信出错、存储丢失等原因,传感器采集的数据难免会存在数据缺失问题,本文提出一种基于自我注意力机制对抗式自编码器(Self-AttentionAdversarialAuto-Encoder,SA-AAE)的交通流量缺失数据修复算法。该方法能够有效捕获输入数据之间的不同关联权重,并生成接近真实数据分布的修复后数据。通过与不同修复模型的仿真对比中验证了本文所提出方法的有效性。(2)提出了一种基于时空分析和卷积神经网络(ConvolutionalNeuralNetwork,CNN)的短时交通流量预测模型。在提出的模型中,通过时空特征选择算法(Spatio-TemporalFeatureSelectionAlgorithm,STFSA)确定最佳输入数据,并使用CNN学习输入数据中的复杂依赖关系以构建预测模型。在与其他典型的交通流预测模型的仿真对比中验证了所提出方法的有效性。(3)提出一种基于时间序列分解分析和长短时记忆神经网络(LongShort-termMemoryNeuralNetwork,LSTM)的短时交通流预测模型。所提出的模型中通过对交通流序列的周期性、短期依赖、异方差波动性等进行分析,并与LSTM、深度神经网络(DeepNeuralNetwork,DNN)联合建模以获得更高预测精度。在与经典的统计学方法和最新的神经网络模型的对比分析表明,所提出的算法是一种有效的短时交通流预测算法。