交通流信息的实时性和完整性是影响智能交通系统有效性的重要因素,是路网交通状态估计、短时交通流预测、交通诱导以及交通管理控制等服务的基础,由于采集设备限制、交通环境影响和系统计算误差等原因,收集到的交通流信息数据常常出现部分无效或者丢失的情况,影响了各项以实时交通流数据为基础的交通系统和服务,因此需要对城市路网交通信息的缺失数据进行插补。根据时空相关性理论,在空间上相邻的路段之间可能具有相近的交通流波动特征,同时在时间上交通流具有以天或周为时间单位的周期性规律,路网交通流具有一定的时空相关性。本论文结合时空相关性理论和算法,利用具有空间或时间相关性的数据作为样本,对道路平均速度数据缺失的时段进行插值补全。本论文首先构建了基于租车GPS轨迹数据估算道路网交通流平均速度的流程;基于路网的拓扑关系构建路段邻接属性矩阵;进而利用皮尔逊相关系数量化相邻路段间交通流的互相关性,以及路段交通流序列自身与历史数据的自相关性,分析交通流的时空相关性特征。本论文将相关系数作为利用邻接路段和历史统计的平均速度数据作为样本插补缺失位置时的影响权重,从而构建基于时空相关性的道路交通流平均速度缺失数据插值模型。虑到出租车GPS轨迹数据具有稀疏性、时空分布不均等特点,本轮文提出了实时相关系数和统计相关系数组合的方式,利用多天数据统计的相关系数作为数据缺失过多无法计算实时相关性时的替补,以适应部分时段数据过于稀疏的情况。实验分析中,利用深圳市出租车GPS轨迹数据对南山区部分路网进行了模型实验,结果显示,本论文构建的时空相关性插值模型对平均数据覆盖率为65.41%的路网进行插补后,能达到97.46%的覆盖率,平均误差为7.27km/h,能够有效的插补缺失数据。与邻路相关性插值法和历史相关性插值法进行实验对比,结果显示融合了时间和空间相关性的时空相关性加权平均模型,在插值精度和数据补全率上均优于另外两种模型,验证了该方法对路网稀疏交通流数据插补具有可行性和有效性。