本篇研究论文的标题为《基于张量的空间-时间相关性缺失交通数据补全》，该文探讨了如何利用张量模型来处理和补全智能交通系统中的缺失交通数据问题。在智能交通系统中，缺失的交通数据问题严重影响了众多交通应用的准确性。针对这一问题，过去十年中提出了多种缺失交通数据填补方法，但仍存在如何充分利用上、下游检测器的空间信息来提高填补性能的挑战。
文章的核心研究内容是提出了一种考虑交通流动的完整空间-时间信息的张量方法，该方法能够融合来自多个检测地点的交通流动数据。交通流量数据通过构建四维张量模式来重建，并应用低秩张量补全算法来填补缺失数据。该新方法不仅充分利用了邻近位置的空间信息，而且在统一框架内能够填补不同位置的缺失数据。
文章详细阐述了以下关键知识点：
1. 张量模式：使用张量模式来完全覆盖走廊高速公路交通流量的空间-时间相关性。张量是一种可以处理多维数据的数学模型，在处理具有多个维度和复杂关系的数据时特别有效。
2. 张量补全算法：在本研究中，使用低秩张量补全算法对缺失的交通数据进行填补。张量补全属于一种利用现有数据中隐含的结构特性，对缺失或损坏数据进行恢复的数学方法。
3. 空间-时间信息的利用：本文提出的方法特别考虑了交通流的完整空间-时间信息，并且证明了利用空间相关性的张量方法在处理缺失数据方面比不使用空间信息的方法表现更好。
4. 实验结果分析：通过将各种张量模式应用于从PeMS开放数据库收集的交通流量数据上，进行了实验验证。结果表明，所提出的张量方法能够有效地处理长达一周或数周的连续数据缺失情况。
5. 研究意义：解决智能交通系统中缺失数据问题对于提升交通流量预测准确性、优化交通信号控制、减少交通拥堵等多方面都具有重要意义。本文的研究为填补缺失交通数据提供了新的思路和方法，有助于推动智能交通系统的优化和升级。
本研究的背景是智能交通系统中缺失交通数据的填补问题。由于各种原因，如传感器故障、网络中断或数据采集过程中出现的随机错误等，交通系统中会出现大量缺失或可疑交通数据。这些缺失数据会对交通流量预测、交通状况评估、路径规划等多方面造成负面影响，因此，如何准确、高效地补全这些数据，对于维护智能交通系统的正常运行和提供高质量的交通信息服务至关重要。本研究在这一背景下提出了使用张量模型来处理和填补缺失交通数据的新方法，并通过实验证明了该方法的有效性。
