交通流量信息是智能交通系统（Intelligent Transportation Systems,ITS）和城市计算的重要基础。交通流量预测是交通智慧管理的一个重要的任务,但是由于交通流量数据的丢失,交通流量预测模型往往效率较低,预测任务很难进行。交通流量数据是一种包含空间地理位置信息的时间序列数据,数据在采集、传输、存储等过程中,难免会产生数据缺失的情况。如何有效地挖掘交通流量数据的时空特性和数据间的关联,以及对缺失的交通流量数据进行补全,成为提高交通流量预测精度的关键和重要手段。一些传统的统计学方法达不到较好的预测效果,而深度学习的应用推动了交通流量数据的补全和预测向更高的精确度发展。针对交通流量数据补全和预测任务,本文在部分深度学习模型的基础上进行了改进和融合,整合了这两个方面的工作。一方面是针对交通流量缺失的问题,首先对交通流量的缺失情况进行了不同缺失情况的假设。然后深入地分析了交通流量随时间变化的特性和不同空间区域的流量相关性,同时采用不同的数据相关性测量方法,提出了一种基于多视图注意力机制的融合补全模型,使交通流量数据中存在缺失的问题得到有效解决。另一方面是基于上述模型补全后的交通流量数据,使用了一种基于多视图注意力机制的3D空洞卷积残差网络进行交通流量预测。该模型将与待预测时刻关联的历史数据进行融合,充分挖掘交通流量时空数据特征。同时深入分析了交通流量的通道特征,对模型损失函数进行改进,进一步提升了模型的预测效果和精度。以上两个方面的工作,整合了交通流量补全和预测的相关研究,提高了以现有缺失数据进行流量预测的精度,同时扩展了深度时空预测模型在交通流量数据预测方面的应用。为了验证数据补全和预测模型的有效性,文中使用了北京出租车轨迹数据集进行实验。在实验中详细地分析了模型融合和损失函数对于补全和预测精度的影响,对部分结果进行了可视化和分析,实验结果表明我们的补全方法和预测模型能进一步提升交通流量补全和预测的精度。