随着智能交通系统（Intelligent Transportation System,ITS）的发展,人们对各种依赖于车辆行驶轨迹的应用的需求不断扩大,如出行规划、缓解城市交通拥堵、城市交通智能管理等。而车辆网络是实现车载应用的关键使能技术,有望成为未来智能交通中的关键支持技术。此外,车载应用可为乘客和驾驶员提供各种服务,如车辆道路安全、提升旅行体验和效率。其中车辆的移动性是这些应用实现时必须要考虑的重要特征。所以,需要大量的车辆历史轨迹甚至是对车辆未来行驶轨迹的预测和重构来支持这些应用。软件定义网络（Software Defined Network,SDN）是实现智能交通中的这些智能应用的基础。在本文提出的框架中,中央控制器可以实时收集拓扑范围内的车辆和其他路边单元的所收集的信息。这样就可以根据中央控制器收集到的车辆信息和道路路况信息来预测未来的交通状况。本文提出了一种基于生成式对抗网络（Generative Adversarial Network,GAN）的城市环境下的车辆轨迹预测和重构方法GAN-based Vehicle Trajectory Prediction Method（GAN-VEEP）。本文提出的方法可以根据道路拓扑内所有车辆当前的运动状态和目的地以及道路环境信息来预测每个车辆未来的行驶轨迹,从而重构该道路拓扑内的所有车辆的轨迹数据。该方法由三部分组成,1)用于数据集预处理的车辆坐标变换模型,2)神经网络预测模型,3)调整预测过程的车辆转弯模型。针对城市道路拓扑中复杂的空间相关性,引入车辆坐标变换模型。然后,神经网络预测模型从驾驶员的历史行为中学习驾驶员的行驶习惯。最后,车辆转弯模型可以根据驾驶员的心理对行驶路径进行优化。此外,本文还提出了一种基于机器学习的车辆轨迹生成方法。该方法使用城市功能区把城市划分为拥有不同功能的区域。然后根据车辆在不同城市功能区之间的流动变化,使用Vissim来生成接近真实的车辆移动轨迹。实验结果表明,在平均精度、平均绝对误差和均方根误差方面,GAN-VEEP具有更高的有效性。