随着科技和大数据产业的发展,数据的质量问题越来越受到人们的重视。在物联网和车联网中,完整的流量数据是保证准确的数据分析和应用的重要前提。如在网络操作系统中,网络流量数据是实现更好网络管理的基础。而在智能交通系统中,交通流量数据可以用于实时交通管理和长期交通规划。然而,损坏的数据严重影响了数据信息的准确性,甚至导致数据分析和应用的错误。因此,如何有效地处理损坏的流量数据是众多科研人员研究的热点。本文运用了张量模型对两类典型的流量数据进行建模,并根据它们的数据结构,采用了不同的方法来挖掘这两类典型流量数据的时空相关特性,提出了两种基于张量理论的流量数据处理方法,主要研究内容概括如下:（1）本文通过分析网络流量数据的低秩性,提出了一种基于张量填充的时空张量ALS填充算法。通过对网络流量数据张量进行CP分解得到多个因子矩阵,然后利用线性回归和托普利兹矩阵来挖掘网络流量数据的时空相关性,构造时空约束矩阵,并利用张量交替最小二乘法迭代更新因子矩阵,最后重构成近似的低秩数据张量,实现对网络流量缺失数据的恢复,提高数据恢复的准确性。本文使用真实的网络流量数据集对算法进行测试,并与现有的填充算法进行对比。实验结果表明,本文提出的方法在网络流量数据恢复方面的效果显著,并在数据缺失率高达80%以上时也能实现较好的恢复性能,提升了数据恢复的精度。（2）本文在张量鲁棒主成分分析方法的基础上,提出了一种时空张量鲁棒主成分分析算法。通过将包含离群值的交通流量数据张量分解成低秩近似张量和异常稀疏张量,并结合交通流量数据的时空相关性对数据进行异常检测。具体而言,在空间维度上,利用图的拉普拉斯矩阵来构造空间约束张量,在时间维度上,利用托普利兹矩阵来构造时间约束张量,并通过设置异常阈值来确定异常数据及其位置,达到异常检测的目的。本文提出的方法不仅利用了张量因子分解及其低维表示,还充分挖掘了交通流量数据的时空相关性,并在真实的交通流量数据集上对算法进行了测试。实验结果表明,本文提出的方法在异常检测和缺失数据恢复方面都优于其他先进的方法,特别是在数据严重损坏的情况下。