随着交通信息化的快速发展,交通数据爆炸式地增长。其中交通流量(单位时间过车数量)是描述交通流的一个重要指标,其变化规律反应了交通流基本性质。但是因为采集、传输或存储的故障,数据会存在错误、丢失的问题。数据的缺失不仅降低有效性,同时也给后续的工作带来困扰。开展针对缺失交通流量数据的恢复研究,对缺失数据的有效化处理,一方面利于深化对交通流量数据时空关联性和统计特性的认识,另一方面对智能交通系统(Intelligent Transportation System,ITS)的后续分析有着重要意义。因此缺失交通流量数据的恢复研究具有重要的理论和实际价值。本论文从复杂城市交通路网角度出发,结合其数据规模大、局部时空关联性和数据动态缺失等主要特点,针对时空维度的完全随机缺失以及在空间维度的长时间缺失数据恢复进行研究。本论文的主要研究工作和贡献如下:1.在交通路网局部时空关联性方面,提出并设计一种路网流量局部计算模型。首先,提出路网矩阵化算法,利用卡口向量化模型从海量轨迹数据中挖掘路网中路口的关系,并将路网重构成矩阵,在矩阵中路口间的关联性与其距离呈正相关。其次,引入卷积神经网络构建路网流量局部计算模型,通过局部卷积计算与路网矩阵化结合,完成路网流量局部计算,降低计算复杂度,提高模型泛化能力。2.在路网流量动态缺失方面,设计交通流量递归数据恢复神经网络(Flow Recursive Data Imputation Neural Network,FRDINN)。首先,构建两个子网络与一个融合网络,综合当前残缺路网流量的空间关联性与历史路网流量的时间关联性。其次,为了充分获取在时间关联性上的先验知识,将恢复后的多时刻路网流量数据拼接为三维张量,作为历史数据输入进行迭代计算,实现缺失数据恢复。最后,通过真实城市道路监控数据进行实验验证。实验表明,本论文优化的模型和算法不仅能够利用路网交通流量的局部时空关联性,提高模型泛化能力,还能有效结合并利用空间和时间关联性,恢复动态缺失的流量数据。