智能交通系统（Intelligent Transportation Systems, ITSs）在解决城市交通问题、提高交通效率、优化城市形象等方面具有重要意义。构建智能交通系统不仅是解决城市交通问题行之有效的手段，更是“智慧城市”建设的重要指标。车联网（Internet of Vehicles, IoV）技术能使车辆在互联网、移动通信等环境下共享信息、协同工作。该技术被广泛应用于车辆安全、辅助驾驶、交通管理等领域。精准的交通预测在城市交通系统中至关重要。移动互联网和智能车辆技术的兴起使得大规模获取交通网络数据成为可能。然而，在现实中，并不是每个交通数据都能够被准确获取和处理。数据缺失问题不可避免地制约了智能交通系统的发展。

    大多数交通预测模型都无法处理数据缺失问题，应用范围有限。一些研究采用独立的方法来分别解决数据插补和交通预测问题。这种方案不仅耗时且无法有效建模交通运行情况。另外，大部分交通预测模型是预测短期未来，而业界迫切需要一种高效且准确的模型来完成长序列时间序列预测（Long Sequence Time-series Forecasting, LSTF）任务。由于城市交通网络数据格式复杂，加之受数据缺失的影响，时空交通预测变得异常困难。因此，仅依靠CNN、RNN或GCN建模方法无法完整提取城市网络传感器间的时空依赖关系。在这种情况下，亟需一种集成的深度学习方法来处理端到端的交通数据插补和预测任务。

针对上述不足，这项研究建立了Di-GraphGAN框架（代表时空数据增补图注意力生成对抗网络），用于交通数据插补和多尺度交通预测。具体来说，Di-GraphGAN的生成器采用编码器-解码器结构以实现高效的长序列时间序列预测任务。在此基础上，将一种新颖的插补单元整合到LSTM网络中，建立了基于DI-LSTM的数据插补机制以估算缺失的交通值。最后，设计了一种任务高效图注意力网络（TE-GAT）以消除现有图注意力网络邻居聚合的冗余。与现有工作相比，这项研究具有以下三方面创新性：

    （1）建立了一种增强的时空对抗学习框架（名为Di-GraphGAN），用于在数据缺失场景下进行端到端交通数据插补和多尺度预测。

    （2）提出了一种名为DI-LSTM的新颖数据插补模块。该模块采用LSTM网络架构并带有内部时间衰减单元以插补缺失数据值，从而有助于提高预测准确性。

    （3）设计了任务高效图注意力网络。该网络采用过滤门确定每条边的重要性，且仅保留必要的边用于邻居聚合，从而降低了图注意力网络的计算开销，提高了准确性。