随着城市现代化发展和传感器设备的普及,城市居民和交通工具的活动轨迹都被传感器检测并记录下来。收集高质量的交通数据并建模其中的隐含信息对建设智能交通应用具有重大的现实意义,比如居民出行计划制定、交通拥塞控制等。然而,由于GPS信号干扰或者人为损坏等原因,传感器采集到的交通数据往往都包含缺失值,这限制了交通应用的决策准确性。因此,合理地处理缺失值是交通数据挖掘的首要任务。现有的基于统计机器学习和深度学习的填充算法能取得较好的补全效果,但也存在明显不足。主要表现在只专注于交通数据时间依赖性或者空间相关性的建模,却缺乏对时空特性的整体考虑和深层次挖掘。另外,之前的方法并没有对不同时间跨度的交通数据进行分类分析。针对上述问题,主要完成了以下几个方面的研究。针对长期交通缺失值填充场景,将每日按照固定频率采集的交通栅格数据视为一段包含多个通道的视频流。在此基础上,设计了一种无监督生成式缺失值填充算法。该算法主要基于变分自编码器的架构,进而运用赛尔维斯特标准化流技术用以提升原始模型的表达能力。同时,多注意力机制和门限机制被拓展用于挖掘缺失交通数据中的长时间动态性和远距离空间关联性。针对每一个不完整样本,该算法通过学习观测样本的随机隐变量分布从而实现对缺失数据的推断。在Taxi BJ等三个开源交通数据集上的实验结果表明,在将长期交通数据视为视频处理的基础上运用所提出的填充算法在填充效果上优于其他交通数据填充算法。针对短时交通缺失值填充场景,提出了一种时空特征解耦的填充方法。该方法利用了轻量级的可学习双向注意力图和跳级连接的变分自编码器结构来达到掩膜更新和不同尺度的空间特征融合的目的。在此基础上,充分考虑了多尺度的交通历史时间数据对提升模型补全性能的影响,并引入了外部因素来补充极端情况下的缺失值填充所需的信息。同时,改进了模型的目标函数。真实数据集下的实验显示,该算法能够逐帧地对短时间段内的交通栅格数据进行精细化填充。