智能交通系统为公共交通和用户车辆提供了引导服务,由此降低了城市交通流量,缓解了交通拥堵压力。目前,大量的传感器和传输设备用于收集交通数据,为智能交通系统提供支持。交通流预测有助于人们提前制订合理的出行路线,节约出行时间,因此,精确的交通流预测一直是个具有挑战性的实际问题。此外,由于设备硬件的复杂性和环境的多变性等原因,采集到的交通数据往往不完整。针对以上问题,本文以深度学习理论为基础,分别基于注意力机制和生成式对抗网络进行建模,提出三种交通流预测方法。本文主要研究内容如下:（1）为了有效提升交通流预测的精确度,本文提出一种基于注意力机制的混合深度学习网络模型。首先,构建一种基于卷积神经网络和长短时记忆网络的混合网络模型,以提取交通数据的时空特征;其次,针对不同时间流序列具有不同重要性的特点,设计一种注意力机制,以实现区分不同序列的重要性并分配不同的权重;最后,针对交通流数据的周期变化特性,引入双向长短时记忆网络模型,以捕获来自前后两个方向的时间变化趋势。实验结果表明,在城市区域和高速公路两种不同交通场景下,与现有方法相比,本文模型具有更好的预测性能。（2）为了挖掘不完整交通数据的潜在分布信息,本文提出一种基于三维卷积网络的生成式对抗网络模型,并引入随机测量网络,以实现对缺失交通数据的有效利用。首先,设计一种三维卷积网络模型,用于捕获数据的时空特征,并引入注意力机制,以探索数据局部与全局的空间依赖关系,从而提升模型泛化能力。其次,设计一种上下文损失函数以寻找最优输入噪声,从而提升缺失交通流预测的精度。实验结果表明,本文提出的模型能够利用缺失的交通流数据,实现模型训练及预测任务,甚至在高达90%缺失率的情况下也能取得较好的预测精度。（3）为了探索具有复杂路网结构交通数据的时空相关性,本文提出一种基于图卷积网络的生成式对抗网络模型,以实现数据缺失情况下的交通流预测。首先,针对复杂路网结构的交通数据具有复杂非线性特征,设计一种图卷积网络用于捕获交通数据间依赖关系;其次,针对生成式对抗网络训练不稳定的问题,利用谱归一化和权重裁剪方法稳定训练并优化收敛过程。实验结果表明,在实际不同数据缺失场景下,本文提出的模型与其他现有模型相比,具有更好的预测性能。