随着机动车保有量的增加,交通拥堵问题成为现代城市亟待解决的问题。为了减轻道路网络的负担,有效的交通评估对交通管理意义重大。然而传统的交通传感器存在着部署与维护成本高的问题。随着移动终端处理器、内存等硬件设备的快速发展和提升,能够将车载GPS获取的实时道路交通数据与城市交通路网信息相结合从而获得实时交通状况,进而为人们提供更好的交通信息服务,这已经成为目前解决交通拥堵等问题的一种有效手段和途径。然而,由于车辆规模有限,其在时间和空间上分布不均匀,导致在进行交通评估时存在数据缺失,这是其应用于城市路网交通评估时所面临的主要难题之一。因此,本文研究移动群智感知下的交通流速缺失数据恢复问题。主要进行了以下三个方面的工作:(1)提取了基于探测车数据的交通流速矩阵。为了获取研究区域的路网信息,本文提出了基于网格密度的路网提取算法。具体是将预处理后的数据进行网格化处理,并依据其疏密程度提取道路中心点,进而由中心点拟合形成路网,将得到的路网进行矢量化得到路网数据。之后,针对GPS数据特点设计了一种自适应的路段流速计算方法,在基于平均行程速度的基础上充分考虑交通状况,分类计算路段内的交通流速,得到表征交通状况的交通流速矩阵。(2)设计了基于压缩感知的交通流速数据恢复算法。本文针对交通数据存在缺失的情况,按照不同数据缺失位置将数据缺失情形分为随机缺失、整块缺失、行列缺失。在此基础上,利用压缩感知算法恢复缺失数据,利用数据间的时空相关性改进压缩感知的稀疏基,将交通流速缺失数据的预测问题建模成稀疏向量的恢复问题,并根据不同的数据缺失情况选取不同的测量矩阵,最终实现交通缺失数据的恢复。(3)基于大规模真实出租车数据集对所提出算法性能进行全面验证。选取SI、KNN、3D-SHAPE、GM(1,N)四种典型的数据恢复算法,并选用多重指标与本文所提STC-CS算法进行性能对比。结果表明:在数据缺失程度大于50%时,本文所提出STC-CS算法能够准确地恢复缺失数据,且性能优于其他同类算法。并且在整块和行列缺失情形下,STC-CS算法能够更加准确的恢复缺失数据,且算法运行效率也优于其他算法,为交通状态评估提供良好的解决思路。