随着城市信息化进程的加快,路网中传感器逐年增多,交通数据呈现爆炸式增长。但由于建设成本的限制和建设时间的不同,路网中的传感器质量参差不齐,在数据的采集、传输和存储的过程中不可避免的存在数据丢失的问题。高质量的交通数据是智能交通系统（Intelligent Transportation System,ITS）构建的基础,数据的缺失为后续的工作带来极大的挑战,是当今智能交通系统构建及智慧城市发展亟需解决的问题。交通流量数据预测是智能交通系统一个重要的应用,实时精确的交通流量数据预测对于提高车辆在路网中的通行效率、提高资源利用率具有重要意义。完整可靠的交通流量数据可以更好的表达复杂路网数据的时空和周期特征,是提高交通流量数据预测精度的重要基础。本文主要从交通流量数据的表示、交通流量数据恢复与交通流量数据预测三个方面出发,对交通流量进行分析与建模。本文的主要工作及贡献如下:1.在交通流量数据表示方面,提出了一种基于表示学习的交通流量数据表示方法,将原始交通数据转换为像素化表示,解决了交通数据与视频数据的异构性问题。首先,提出了一种路网像素化算法,从海量的交通轨迹中挖掘路网卡口的时空及流量相关性,将路网卡口映射到路网像素矩阵中。通过对路网中流量数据的切片,将相应的卡口流量填充到像素矩阵中,生成路网流量图像。其次,为了生成更好的路网像素矩阵,本文结合路网像素化的目的,提出了一种路网像素矩阵评估指标,对无监督方法生成的路网矩阵进行评估。2.在交通流量数据恢复方面,提出并设计了一种基于路网像素化的端到端交通流量数据恢复模型,从存在多种缺失模式的稀疏的路网流量数据中提取时空特征,实现了交通流量数据的恢复。首先,为了从稀疏的路网像素图像中提取时空特征。本文将Partial Convolutions和LSTM应用到交通流量特征的提取,并提出了一种适用于交通流量数据恢复的网络单元PConv LSTM,用于提取交通流量数据的周期特征。其次,本文尝试将视频修复技术应用于路网像素矩阵的修复,使用两个子网络分别提取交通流量的周期和时空特征,进行交通流量的恢复。3.在交通流量数据预测方面,提出并设计了一种基于路网像素化的交通流量数据预测模型,实现交通流量数据临近时刻及周期数据的时空特征提取,并融合了节假日等外部因素的影响,实现了交通流量数据的预测。首先,针对交通流量复杂的时空和周期的特性,使用Partial Convolutions GRU进行交通流量特征的提取。其次,考虑到交通流量受到多种外部因素的影响,提出了外部数据融合网络,对影响较大的节假日信息与气象信息进行融合。最后,针对交通流量预测任务的特点,设计了端到端的交通流量数据预测模型,实现实时准确的交通流量数据预测,完成交通流量数据从表示到恢复最后进行预测的闭环。针对上述的主要工作,本文使用真实环境中采集的ANPR数据开展了相关实验。结果表明,与基线方法相比,本文提出的方法在交通流量数据的恢复与预测任务中取得了更高的准确率。