随着我国城市的迅速发展,公共建筑的数量和交通流量不断增加,建筑高能耗与交通拥挤的问题日益突显,建筑节能和交通规划已成为当今新型智慧城市的一项研究重点。准确的能耗预测与交通量预测是当今建设智慧城市的重要前提,通过对预测结果进行分析,可以为建筑节能与交通状况判别提供决策依据。随着信息技术的发展,计算机和数学领域涌现出了多种功能强大的预测算法,有望实现自动化、精细化、数据驱动的多领域实测数据预测。然而,这类方法对样本数据有着较高的要求,而多领域的实测数据一般存在三类问题,会严重影响数据预测模型的建立及其可靠性。第一,实测数据监测点较多,监测变量一般存在较高的冗余性,直接应用到多领域实测数据建模过程中会极大地增加模型复杂度及计算资源需求,同时难以保证模型在实际应用中的普适性。第二,实测数据存在样本数据量少的情况,因此难以支持复杂预测模型的训练工作,这也导致很多功能强大的算法难以应用于建筑领域。第三,建筑与交通的实测数据数据通常缺少真实标注,比如某种能耗和交通状况是否真的代表数据异常,因此在实际应用中无法满足常见监督类算法的使用要求。考虑到以上问题,如何构建特定的数据预处理方法,有效提升实测数据质量及其与复杂预测算法的兼容性,实现准确可靠的实测数据预测值得深入研究。本文针对以上三类建筑数据问题展开研究,旨在建立一套普适的数据预处理方法。本文的主要研究内容包括:（1）针对建筑与交通领域实测数据的高冗余性问题,本文提出一种基于一维卷积自编码器的非线性降维方法,实现自动化的特征变量提取。研究结果表明与常见线性方法相比,该方法构建的特征可以更好地保留原始数据信息,能够在减少预测模型算力需求的同时,进一步提高预测精度。（2）针对建筑和交通数据数据样本稀缺的问题,本文提出了一种基于条件生成式对抗网络的数据增强方法。该方法可以通过神经网络学习到一种原始数据的潜在分布,并基于该分布和特定条件信息生成虚拟数据,进而满足复杂预测模型的训练需求。研究结果表明该数据增强方法可以提高预测模型的准确性及可靠性。（3）针对建筑与交通流量数据缺少真实标注的问题,本文构建了一种基于半监督聚类分析方法。该方法可以结合数据本身特性对未标注数据加以利用,不仅降低了人工标记数据的成本,也实现了实测数据预测精度的进一步提高。本研究可以为多领域常见的数据质量问题提供解决方案,所构建的数据预处理方法有望为各类建筑节能技术奠定数据基础,有助于实现数据驱动的智慧城市的建设与管理。