随着车联网技术的发展,汽车逐渐步入智能化,绿色出行与安全出行理念逐渐深入人心。智能化汽车的一个重要功能就是为用户规划行驶路径,这离不开对各路径上汽车流量进行预测。精确的汽车流量预测结果能帮助用户规划最通畅的路径,减少拥堵并有效减少汽车尾气排放。当前汽车流量预测研究在数据和技术层面还存在着一些问题。数据层面上,由于汽车流量数据收集主要依靠部署于城市道路中各式各样的传感器,这些传感器可能因为硬件老化、外部环境等各种影响发生故障从而导致收集到的数据异常,严重影响汽车流量预测准确性。技术层面上,现有方法大多通过卷积神经网络进行空间特征提取,而为捕获全局空间依赖通常需要堆叠多层卷积神经网络,这样容易出现过拟合且内存占用较大;在时间特征提取上,现存大多数方法忽略了各时间节点在紧密性、周期性和趋势性之间的整体关系,而仅将其作为单独模块建模,并在建模后对这三种特征进行简单的权重融合,这种特征提取方式丢失了汽车流量数据时间维度的部分序列信息。为解决上述问题,本文分别从数据层面和技术层面对汽车流量预测任务开展研究。主要工作如下:（1）介绍汽车流量预测任务课题背景与意义,分析并总结国内外研究现状。介绍本研究在数据与技术层面用到的相关技术。（2）从数据角度出发,分析汽车流量数据可能出现的异常和影响,提出一种基于生成式对抗网络的汽车流量异常数据检测方法,并利用长短期记忆网络进行数据填充。设计对比实验验证本文提出检测方法和填充方法有效性。（3）从技术角度出发,提出DCPA-STN模型。设计一种膨胀卷积结构捕捉多尺度空间特征,减少网络堆叠层数;对汽车流量数据时间维度上的紧密性、周期性和趋势性关系同时建模并利用概率稀疏自注意力机制挖掘时间序列特征信息。在两个公开数据集上进行实验并与其他方法对比,证明本文提出模型的有效性。（4）根据本文提出模型设计并开发汽车流量修复与预测原型系统,该系统包含数据修复,汽车流量预警,汽车流量预测等功能。