随着现代信息技术的快速发展,人们获取数据的能力不断增强,大量数据的涌现带来不可估量的价值,同时也带来许多问题。其中,时间序列数据在各个领域有着广泛应用,与人类生活密不可分,如何实现对数量级较大、变量较多、且具有一定规模数据缺失的时间序列进行有效的时空建模,是一个亟待解决的艰巨问题。关于空间结构和时序关系复杂,且具有数据缺失的多变量时间序列预测问题,本文提出一种基于张量补全的多变量缺失值时间序列预测模型（Truncated Schatten p-norm minimization based low-rank tensor completion model,LRTC-TSPN）,基本思路为:将原始时间序列数据矩阵转换为高阶张量结构,并假设其满足低秩性或近似低秩性,预测值视为缺失值,由此时间序列预测问题转变为低秩稀疏张量补全问题。关于LRTC-TSPN模型主要有如下几个难点问题:（1）对于原始时间序列数据矩阵,以何种形式转换为张量结构而不损失数据信息;（2）张量截断T-Sp（0＜p＜1）最小化是一个非凸问题,传统软阈值方法无法解决,以何种方法求得该优化问题的最优近似解;（3）对于LRTC-TSPN模型以何种算法高效求解。围绕上述问题,本文研究内容如下:第一,基于实际应用背景将原始时间序列数据矩阵转换为三阶张量,保留了数据结构性信息,之后引入时间序列过程,借鉴VAR模型新定义自回归范数,充分利用时间序列时域平滑性和序列相关性信息,而不是简单的范数约束,由此解决难点（1）;第二,结合张量核范数和张量T-Sp范数优点,新定义张量截断T-Sp范数,在张量补全模型中采用广义迭代收缩算法（Generalized Iterated Shrinkage Algorithm,GISA）进行张量T-Sp范数的优化问题求解,由此解决难点（2）;第三,采用交替方向乘子算法（Alternating Direction Method of Multipliers,ADMM）对LRTC-TSPN模型进行求解,由此解决难点（3）。选取LATC-NN、HaLRTC、BTMF模型作为实验对比模型,对广州市区交通数据集分别进行完全随机（Random missing,RM）和非完全随机（Non-random missing,NM）数据缺失处理。实验结果表明:在20%、40%、60%的数据缺失率下,LRTC-TSPN模型的补全效果和预测效果均优于其他对比模型。