随着交通行业的不断发展,越来越多的人开始关注交通所带来的问题,交通问题不仅影响到出行效率和安全,同时也严重制约了社会的发展。基于交通数据的不断增长,人们迫切的希望找到有效的方法来挖掘交通大数据中的隐含信息解决一些交通难题,智能交通系统的发展为我们提供了有效的方向。短时交通流预测作为智能交通领域的一个研究热点,是实现智能交通控制和交通疏导的关键技术之一。本文结合交通数据的多维特性和非线性特性,构建动态张量模型,研究了不同维度影响下的短时交通流变化规律;同时,针对交通数据中存在的数据缺失问题给短时交通流预测带来的不利影响,结合张量分解的低秩特性研究交通数据的恢复策略,进一步深化对短时交通流预测的研究分析。本论文的主要研究工作和贡献如下:1.针对交通流预测数据具有的多维特征和非线性特性,本文引入张量模型对交通流数据进行分析,提出一种短时交通流预测方法。首先,采用层次聚类算法对相似交通流进行聚类,并从中提取内部相关性较强的路口进行预测。其次,结合时间维度上的多级别性(X为其可变参数),构建基于“路口-X-时段”张量分解的短时交通流预测模型。针对交通流的动态特性和不确定性,引入滑动窗口的思想并提出一种动态张量短时交通流预测模型,既能把交通数据的动态结构和多维特性很好结合,又缓解了一定数据稀疏情况下的预测不准难题。2.交通数据的丢失问题给短时交通流的预测和深层次挖掘带来较大的负面影响,本文针对数据缺失问题,在构建交通数据张量模型的基础上,引入交替方向乘子法,把张量恢复问题转化为低秩恢复模型,来估计丢失数据。该模型有效保持了交通数据的多模式时空相关性特征,有利于张量按各个模式展开和充分挖掘交通数据的多模式信息,实现部分缺失数据的恢复,促进对短时交通流预测技术的研究。最后,利用真实交通数据集进行实验验证。结果表明,融合交通流相似性度量和张量模型的算法,能够提高预测性能以及改善一定数据稀疏情况下的预测精度不准问题。同时,利用张量重建恢复交通数据的方法,在一定条件下算法取得了良好的效果,经恢复后的交通数据在短时交通流预测中也得到了更好的表现。