随着数据存储技术的发展和采集方式的增加,传统的交通数据逐渐发展为交通大数据。交通大数据的充分利用也逐渐成为现代交通相关研究的基础。然而,设备故障或异常天气常常会引起大量的数据丢失现象,快速、准确地填充缺失的交通大数据已成为学术界研究的热点。张量填充是缺失交通数据填补最行之有效的方法之一,但是,现有张量填充方法在处理具有超高维结构的交通数据时,稳定性和速度难以同时得到保证。本文对具有超高维结构的交通大数据填充方法展开研究,利用交通数据在时空上的相关性构建相应的交通数据张量模型,并结合张量火车分解理论分析高维结构数据的优势,提出了基于张量火车分解理论的交通大数据填充方法。针对算法加速以及自适应秩约束,分别提出相应的优化方案,在不同丢失程度的交通数据上进行实验。实验结果表明,对比以前的张量填充算法,本文提出的方法在高维交通大数据填充上具有优势。主要研究成果如下:(1)构建了交通数据张量模型。选用交通流作为研究对象,从交通数据的特性出发,研究交通数据在时空上的相关性,并根据此相关性构建交通数据张量模型,分别验证模型在时刻、天、周、年、路段维度上的低秩性,为交通数据的填充提供了先验条件。(2)提出了基于张量火车分解的填充方法。在张量火车分解的基础上,研究加入L2正则以及迹范数核张量正则约束的求解模型,分离张量火车分解的每个因子核张量,使其能够进行分别优化。针对算法收敛速度较慢问题,提出了基于共轭梯度法的基础优化方案,针对传统方法需要预先设置张量秩的不足,提出了可自适应调整张量秩的基于增广拉格朗日乘子法的迹范数约束优化方案。(3)提出了基于张量火车分解的高维丢通数据失交数据填充方法。将构建的高维交通数据张量模型与所提填充算法结合,解决传统丢失数据估计方法对高维交通数据填充结果不稳定的问题。针对不同的交通数据丢失率,在美国加州高速路性能评价系统(Pe Ms)数据库上对本文提出的方法进行了实验验证。实验结果表明,基于张量火车分解的填充方法能够有效地对高维丢失数据进行填补,并以较高速度进行优化计算,同时在中高丢失率下也能保证算法的稳定性,将模型的绝对百分比误差控制在15%以内,即使在高达90%的丢失率下,也能准确可靠地填充丢失数据。