由于天气、通信、传感器等各种原因造成交通数据缺失是收集交通数据时常见的问题,然而,后续的各种理论研究和实验都需要完整可靠的数据,那么对于缺失交通数据补全方法的研究是非常必要的。现有的大多数交通数据补全方法仅考虑到单一的时间或空间特征,但交通数据存在多个时间特征（年、月、日等）,现有的方法并不能完整的反应多时间交通数据的时空特性,本文提出的改进的张量因子分解模型（MTTF）考虑多个时间因素,对于交通数据的时空特征也就是时间周期性和地点相似性提出适合的模型,更加的符合实际交通情况从而提高补全效率。首先将缺失的数据构建成张量的形式从而可以包含更多的时空特征,使用张量的形式构造可以解除常规的只能包含两个特征的矩阵形式的局限性,可以使得数据包含更多的特征,从现有常见的两个特征增加到三个及以上,使得数据形式的构造更加灵活;其次把张量形式的数据分解为多个特征因子矩阵,对特征因子矩阵以及相应的参数和超参数进行贝叶斯假设;最后使用吉布斯采样方法对各参数进行采样,根据所有的参数再将特征因子矩阵还原成数据张量,从而补全缺失的数据。本文针对缺失数据的各种情况进行了仿真实验,实验数据的缺失率从10%到90%,同时对特征因子矩阵的维度从10到30的情况进行实验。使用伯明翰的多个停车场的停车占有率数据,时间从2020年10月至2020年12月。同时将该模型与同类型的模型进行对比,使用均方根误差（RMSE）对各模型实验结果进行评估,实际数据验证结果表明,在各种缺失率变化的情况下和不同的特征因子矩阵维度的情况下,评价指标均方根误差在大多数情况下都优于其他模型,实现了较好的补全效果。该方法可以应用于多种缺失交通数据场景,对于补全包含各种多时间特征的交通数据缺失情况提供了解决方法。