城市视频监控系统的普及在很大程度上推动了一系列的智能交通服务的发展,其中包含了从个性化路线优化到宏观的城市交通管理等。视频监控信息在城市智能交通的很多应用如城市车辆驾驶优化、路网交通流分析以及城市异常事件检测等方面起到了非常重要的作用。城市交通管理人员通常利用监控设备采集到的交通信息（如交通流量信息）来对城市的相关交通元素进行分析与预测,这样可以用来帮助交通监管部门很好地管理和掌控城市的交通状态,并在一定程度上缓解城市交通状态异常等问题。然而,在大部分城市中,监控设备的部署通常只覆盖在城市的一些关键区域的道路或路口中,并且它们的分布极其稀疏,这也导致了通过监控设备我们只能获取到稀疏的视频监控信息,而利用这些稀疏的监控信息,我们很难去掌控城市整体的交通模式。因此,如何基于已有的稀疏的监控信息来对整个城市的实时交通模式进行分析与推断是目前城市智能交通研究领域一个急需解决的问题。现有的关于交通模式分析的研究工作大多都集中在利用某些特定区域的历史交通元素数据（如交通流量数据）来进行实时的交通元素数据预测。然而,一旦某些区域的历史记录丢失甚至没有历史记录,它们就无法对其进行更进一步的预测,也就是说现有的这些研究工作不能直接用来解决上述的问题。为了帮助城市交通监管部门能够尽量降低部署监控设备的成本,同时还能够实时地掌控城市整体的交通状况,本文提出了一种全新的基于深度学习的方法来解决了上述所提出的基于稀疏卡口监控信息的实时交通模式分析与推断问题。在本文中,我们提出了一种新颖的ST-GAN模型来解决了上述提到的基于稀疏卡口监控信息的实时交通模式分析与推断的问题。首先,我们根据数据分析发现了城市路口出租车流量和路口监控设备得到的交通流量之间存在一定的相似关系。于是,我们在缺少真实的训练数据的情况下借助了第三方的出租车GPS数据并结合使用了随机mask的方法生成了我们ST-GAN模型的训练数据。然后,我们利用处理得到的训练数据对我们的ST-GAN模型中的生成器进行训练,这里的生成器主要包含了 ED-GCN和LSTM两个子模块,其中ED-GCN子模块是用来挖掘城市中路口交通流的空间关系,而LSTM子模块是为了学习城市路口交通流数据本身的时序规律。利用GAN框架独特的生成对抗训练方式来进一步提升模型中生成器的能力。最后,我们利用训练好的ST-GAN模型中的生成器并结合城市中稀疏的路口监控信息来推断城市中没有部署监控设备的路口的交通流量。我们分别使用了苏州工业园区和深圳市两个城市的数据集来对本文提出的ST-GAN模型进行了实验分析与评估。我们首先将ST-GAN模型方法与其它一些基线方法进行了实验对比分析从而来验证我们提出的方法的有效性。相较于基线方法如TISV算法、CT-Gen算法、DAE算法、LR算法在苏州工业园区的推断准确率分别为58.59%、56.0%、66.31%、59.07%,在深圳数据集上的推断准确率分别为58.09%、55.90%、65.01%、58.79%,本文提出的ST-GAN方法在这两个真实数据集上的推断准确率分别达到了 76.09%和74.02%。除了分析各模型算法的推断准确率以外,我们还对各种模型方法在推断误差上进行了实验分析,结果表明我们的模型在两个数据集上均能取得最小的推断误差。最后,为了分析我们设计的ST-GAN模型中每个子模块的重要性,我们还设计并进行了一个合理的消融实验对模型中每个子模块的重要程度进行了量化分析。大量的实验结果均表明了本文提出的ST-GAN模型方法能有效地解决基于稀疏卡口监控信息的实时交通模式分析与推断问题。