随着社会经济的发展,交通拥堵问题变得越来越严峻。交通流预测可以为出行者提供重要的参考依据,在一定程度上缓解交通压力。预测系统需要足够的数据支撑,群智感知技术的出现,为交通流数据的获取提供了全新的思路。同时,对得到的数据进行分析处理也是群智感知系统的重要组成部分。多数情况下,由于某些原因实际获取的数据存在缺失和异常。在数据缺失的情况下进行更好的分析预测一直是该领域的研究热点。本文从交通流数据分析建模着手,提出基于张量分析的交通流预测方法,主要研究内容概括如下:（1）首先分析交通数据的多模相关性,构建覆盖周、天、时间和空间四个维度的静态张量模型。利用Tucker-ALS算法低秩近似,证明该张量模型是低秩的,满足张量填充算法的低秩假设。在静态张量模型的基础上缩小时间维度,设定滑动时间窗口,构建出一系列各维度大小一致的张量,从而满足交通流数据实时更新的背景。将这些维度一致的张量按时间先后顺序排成一列,构成动态张量流模型。（2）在动态张量模型的基础上,提出自适应n-秩动态张量分析算法,算法包括两部分:投影矩阵的更新和未知数据的预测。在投影矩阵的更新部分,采用自适应n-秩算法,实时计算输入张量的最佳秩。设定遗忘因子,利用历史张量和实时张量更新投影矩阵。在未知数据的预测部分,采用迭代交替最小二乘法进一步优化投影矩阵,以便获得最佳投影矩阵。将实时张量沿投影矩阵依次投影得到核心张量。最后通过投影矩阵和核心张量计算实时张量中未知时刻的数据,实现预测。实验结果表明,自适应n-秩动态张量分析算法相比较动态张量分析算法,预测性能有所提升,且优于其它静态张量填充算法。（3）对于动态张量模型中的实时张量,由于时间维度包含未知时间片段,所以无论得到的历史数据是否完整,都存在列纤维的缺失。本文提出了缺失数据预处理方法,在数据缺失较多的情况下可以尽可能恢复出张量的原始结构。采用跟踪投影矩阵算法,把输入张量展开成矩阵,将矩阵各列按范数从大到小的顺序重新排列,选取范数最大的前几列向量利用跟踪投影矩阵算法实现对投影矩阵的更新,避免对角化过程。基于此本文提出了流张量分析算法。实验结果表明,流张量分析算法在降低算法复杂度同时,保持与自适应n-秩动态张量分析算法几乎相同的预测性能。