本发明提供了一种融合时空信息的传感器缺失值的填充方法，包括：输入N条历史数据X以及M条有缺失的数据Xmissing；其中M，N大于输入时序长度T；填充阈值η，将历史数据输入训练好的LSTM‑AES之后，η＝std(X‑X')；得到已训练模型LSTM‑AES；已修复数据Xrepaired；将原数据划分成时序数据集；初始化LSTM‑AES；然后使用Tensorflow进行网络初始化；使用神经网络常用的反向传播算法更新LSTM‑AES的权值W；进行缺失值填充。本发明同时考虑了时空信息，能够在有大量传感器同时缺失时较为鲁棒，并能够训练单一模型处理不同类型的缺失，能够满足传感器缺失值填充的实时性需求。