随着互联网技术和交通信息化的快速发展,交通数据的规模越来越大,在智能交通系统中,完整有效的交通数据对交通管理来说意义重大。但是实际中采集交通数据时,由于一些不可避免的事件的发生（如设备损坏、恶劣天气等）,会导致数据采集中断,造成部分数据的缺失,这降低了数据集的有效性,制约了智能交通建设的发展。对缺失的交通数据进行有效的补全,在理论和实际层面具有重要的研究意义然而交通数据的补全具有非常大的挑战性。一方面,道路交通数据随着时间的变化是非平稳的,比如早晚高峰、节假日等都会影响交通数据的变化趋势,在临近时间上,交通数据具有很强的时间依赖性,同时,交通数据还呈现出显著的长时周期相关性;另一方面,真实世界中的交通路网具有复杂的空间结构,不同路网节点之间存在着空间相关性。此外,数据的缺失模式对缺失值的补全也存在影响。针对上述问题,本文提出一种端到端的时空神经网络补全模型（STIN）来进行交通数据缺失值的补全。首先,针对交通数据存在的显著周期性特征,使用基于无因果卷积的时间卷积网络来提取每个路段的周期相关性,然后构建编码器解码器结构;针对交通数据的空间相关性,使用基于空间注意力机制的双向长短期记忆网络结构来捕获同一时刻内,交通路网中不同路段之间动态变化的空间相关性;针对交通数据的临近时间相关性,用基于时间注意力机制的长短期记忆网络来捕获不同时刻的数据与当前时刻数据之间的时间相关性。同时,根据数据的缺失信息构建时空相关性衰减因子矩阵,通过在进行缺失值补全时融入数据的缺失模式信息,有效提升补全精度。当数据缺失程度较高时,单一的数据源所提供的信息不足以支撑对缺失值的补全,在STIN的基础上,本文提出了基于多源数据融合的交通数据补全模型MSTIN,使用注意力机制捕获不同交通数据和目标数据之间的相关性,提升了模型的补全效果。以真实世界的交通数据集作为实验数据,本文通过实验比较了提出的MSTIN模型和其它基准模型的数据补全性能。结果表明,本文提出的MSTIN模型能够准确地恢复缺失数据,性能优于其它算法。同时,分析了模型中不同模块对补全性能的影响,验证了针对时空相关性建模以及融合多源数据的有效性。