交通拥堵在城市发展历程中普遍存在,也是世界各国普遍面临的一大难题。它与人们的日常生活和城市发展息息相关,因此交通领域的研究引起了研究者们的广泛关注。为了获得实时的交通情况,许多城市的道路网络都已部署了交通监管设备,除此之外,基于GPS(Global Position System)的服务也可实时展示交通状况。大量的交通数据使得在交通领域的研究成为可能,这些研究对于解决城市交通拥堵问题有着重大意义。例如,准确预测道路网络中的交通状况可有效地避免交通拥堵。然而,由于一些不可控的因素,例如,设备或者通信故障,交通数据的缺失问题普遍存在,且是不可避免的,这成为了交通领域研究的一大障碍。因此,本文将对交通数据的补全问题进行研究。描述交通状况的指标有很多,例如,交通流量、旅行时间、拥堵程度等,本文以相对旅行时间为例解决交通数据缺失值补全问题。通过数据分析,我们发现相对旅行时间具有以下三种特征:(1)道路相似性;(2)周期性;(3)时间相关性。对于交通数据补全任务,现存的方法主要包括:(1)基于历史数据平均的缺失值补全模型,例如,时间邻域方法(Temporal-Neighbouring Method)、自回归移动平均模型(ARIMA)、基于ARIMA的补全模型等;(2)基于路段相似性的交通数据缺失值补全模型,例如,K近邻(KNN)、PPCA(Probabilistic Principle Component Analysis)等;(3)基于神经网络的交通数据缺失值补全模型,例如,使用 MLP(Mutil-Layer Perceptron)、CNN(Convolutional Neural Networks)等神经网络补全缺失值。然而,这些方法在进行数据补全时,并未充分挖掘和利用交通数据的时空特征。由于数据的缺失,我们收集到的数据存在严重的数据稀疏性问题。通过为相对旅行时间数据的特征建模,我们提出了一种新颖的基于联合矩阵分解的旅行时间缺失值补全模型,简称TIM。TIM对相对旅行时间的三个特征(周期性、道路相似性和时间相关性)进行建模,以估计缺失的数据。这一模型主要包含三个步骤:(1)设计模型输入的组织形式,我们将相对旅行时间数据组织成三维张量的形式,并以此作为TIM的输入,这种数据组织形式保持了交通数据的自然特性;(2)利用联合矩阵分解模块对道路的周期性和相似性进行建模;(3)为数据的时间相关性建模,形成局部约束,并将这一约束添加到联合矩阵分解模块中使数据的三个特征能够协同地工作。因此,TIM不仅保证了数据的原始特性,并且充分挖掘和利用了数据的时空特征。为了评测TIM模型,我们在一个真实的交通数据集上进行了实验。实验结果表明,同时考虑数据的三种特征能够提升模型的性能。并且,在相对旅行时间数据补全的任务中,TIM的表现要优于其它的基准方法。