精确可靠的交通参数预测是交通诱导和控制的基础。受多种因素影响,基于车检器采集的交通参数存在大量的错误和缺失数据,且呈现出复杂的非平稳性和非线性的特点,交通状态的准确估计面临挑战。因此,研究考虑时空特性的车检器流量数据修复方法及预测模型,对高速公路交通管控以及个人出行规划都具有重要的研究意义和实际价值。本文针对高速公路车检器的流量参数,分析了流量数据的基本特性和时空特性,重点研究了错误数据识别和缺失数据修复算法以及考虑时空特性的交通流量预测方法。论文的研究工作如下:首先,本文在分析错误数据特点的基础上,针对现有拉依达检测方法受样本容量影响导致可靠性下降的问题,提出了基于谱残差改进的拉依达准则,提升检测数据的可靠性;针对数据缺失问题,充分考虑交通数据的时空特性,引入张量模型对交通数据进行建模,针对张量的稀疏性特点,采用基于截断核范数的低秩张量分解模型,并通过实际数据检验了该模型在不同缺失率下的修复效果。其次,针对变分模态分解算法（Variational Mode Decomposition,VMD）参数选择较主观的问题,提出基于鲸鱼优化算法（Whale Optimization Algorithm,WOA）对其进行改进,并且考虑到交通流量数据的非平稳非线性等特征,本文提出了一种基于WOA-VMD和门控循环单元（Gate Recurrent Unit,GRU）的混合交通流量预测模型,实现了交通流量分解、预测、重构和融合。通过实例分析得出本文提出的方法相较于传统GRU模型具有更好的预测性能。最后,为了提高交通流预测的稳定性,解决单一方法进行预测的局限性,本文提出了考虑时空特性的多模型组合交通流预测模型。考虑路网中路段的空间相关性,提出MIC-GCN-GRU预测模型,基于最大信息系数（MIC）选择最佳的相关路段组合构成GCN-GRU模型的输入,利用图卷积神经网络（Graph Convolutional Network,GCN）提取空间特征,将包含空间特征的序列数据输入到GRU网络中提取其时间特征,以全连接神经网络为输出从而预测交通流量;并根据熵值法理论将MIC-GCN-GRU模型和WOA-VMD-GRU模型进行组合得到最终预测结果。实验结果表明,组合后的模型预测精度更高且预测结果更加稳定。