我国机动车保有量呈逐年快速增长的发展趋势,造成路网资源与机动车之间的供需失衡问题。具体体现在交通拥堵加剧,继而引发交通安全、交通效率及环境污染等问题。智能交通系统能够有效提升人、车、路之间的协作效率,进而提高路网运行效率。路网交通流预测作为智能交通系统的重要研究方向,能够为其提供动态实时的路网交通信息。因此,高效、高精度的路网交通流预测对构建高效便捷的交通运输系统具有重要意义。针对于如何实现高效、高精度的路网交通流预测,本文提出了基于梯度惩罚的Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)的路网交通流预测方法,该方法能够生成与真实路网交通流数据分布相似的预测结果。首先预处理交通数据,根据路网中交通量的时间序列和空间地理信息预处理为时空交通量矩阵作为预测模型的输入数据,使模型更易于捕捉到交通流的时空相关性特征。其次,提出基于对称式残差U型网络(Symmetric Residual U-Net,SRUNet)的交通流预测方法,引入了残差网络的预测模型,能够有效地解决网络退化问题,此外,该模型能够增强对交通流数据的适应性,并有效地增加网络深度,使模型能够捕捉到路网中采集点间的远距离空间相关性。最后,提出基于WGAN-GP的路网交通流预测方法,预测模型采用SRU-Net作为生成器,并采用双重判别器,分别从时间相关性与空间相关性两个方面对生成的预测数据进行判别,以增强模型的判别能力。该模型生成的预测数据与真实路网交通流数据分布相似,能够有效地提升对大规模路网交通流预测的精度,更加符合现实交通预测场景需求。通过英格兰高速公路实际交通流数据对预测方法性能进行验证,实验结果表明,本文所提出的基于WGAN-GP的预测模型在面对大规模路网交通流预测中,预测误差较小且更为稳定,并具有较高的预测精度,能够满足大规模路网中绝大多数路段低误差预测的需求。