随着机动车保有量的快速增长,城市交通供需矛盾突出,严重阻碍城市的可持续发展。智能交通系统运用精准感知的高新技术,使人们的出行效率得到极大提高。高清卡口系统（简称卡口系统）是智能交通系统的重要组成部分,可以全天候、不间断地自动采集路面上行驶车辆的信息,已经为车辆动态管理提供执法依据。随着卡口数据不断增长,其中蕴含的车辆出行信息尚待进一步发掘。因此,为克服传统方法挖掘大数据的局限性,为科学的交通管控方案制定提供依据,本论文深入分析淄博市某区卡口数据,探究其呈现的交通流运行规律。依据卡口数据提取交通流运行指标,具体包括交通流量、行程时间、行程速度以及一般交通调查无法获得的车辆轨迹等,进而分析交通流运行指标的时空特征;考虑不同卡口之间的时空关联特征,提出基于生成对抗网络的交通流预测模型,实现多步预测多断面交通流参数;结合车辆行驶过程中长短距离依赖性以及路网结构性、同质性等因素,提出基于图嵌入的车辆轨迹预测模型。具体研究内容及结果如下。建立交通时空生成对抗网络（Traffic Spatio-temporal Generative Adversarial Network,TSTGAN）模型,利用门控卷积操作提取交通流的空间特征,利用长短时记忆神经网络提取时间特征,实现对区域交通流的精准多步预测,使用卡口数据集验证TSTGAN模型的有效性。结果表明:TSTGAN模型引入的时空模块能有效提取交通流的时空特征,所得均方根误差和平均绝对误差比所选现有模型分别降低2.12～42.41%和1.66～40.49%,这表明TSTGAN模型可以提高交通流参数的估计精度。建立图嵌入-长短期记忆神经网络（Graph Embedding Long Short-term Memory,GELSTM）模型,使用图结构分析研究区域路网的结构性与同质性特征,利用长短时记忆神经网络提取车辆轨迹数据的长短距离依赖性,通过多层感知机预测车辆行驶轨迹,使用从卡口数据中提取得到的车辆轨迹数据集验证GE-LSTM模型。结果表明:GELSTM模型得到的车辆轨迹预测准确率比所选现有模型提高7.50～55.08%,这表明GELSTM模型能胜任车辆轨迹预测任务。