智能交通系统（ITS）可以有效避免和缓解在高速公路全封闭场景下,由于车流量大且速度高而引发的交通事故和道路拥堵等问题,其重要性日益凸显。对交通流进行预测是ITS指导公众出行和改善交通状况的重要基础。同时,完整的交通流量数据可以为ITS提供有效的决策支撑。然而,现实中交通流数据由于各种复杂原因,会存在数据缺失的情况,这对后续交通流预测性能产生严重的不利影响,因此本文主要从以下两个方面开展研究工作,具体包括:（1）交通流数据具有时空相关性,所构造的时空数据矩阵也表现出低秩特性,因此低秩矩阵补全模型（LRMC）可用于解决交通流缺失数据修复问题。然而,传统LRMC算法未充分考虑到交通流数据中存在的相关性。针对此问题,本文在传统LRMC修复数据的基础上,通过改进的皮尔逊相关系数构造出反映原始交通流数据的距离矩阵,并以该距离矩阵为基础寻找当前样本的K近邻样本,并再次进行低秩矩阵补全,对每个样本进行相同的处理,从而得到整体矩阵的最终修复结果。最后在西安市高速公路数据集上进行缺失修复实验,结果表明,LRMC-DC算法在完全随机缺失与随机缺失两种数据缺失模式的不同缺失率条件下,均比传统LRMC算法拥有更加精确的修复效果。（2）针对已有的时间卷积网络（TCN）在高速公路交通流预测方面存在模型超参数对预测效果影响较大且超参数难确定的问题,本文设计了结合遗传算法（GA）与TCN的GA-TCN模型对交通流进行预测。利用遗传算法对TCN的超参数进行寻优,通过设计自适应的交叉、变异概率以及在选择操作中引入最优和最差保存策略的方法来解决传统遗传算法容易陷入局部最优解和收敛慢的问题,以迭代优化的方式得到更为合适的TCN模型参数,从而提高交通流预测模型的整体预测精度。最后在西安市高速公路数据集和PEMS数据集上进行交通流预测实验,结果表明,与传统的长短时记忆神经网络（LSTM）和TCN模型相比,本文提出的GA-TCN模型在工作日与周末两种情况下,均拥有更好的预测性能。