随着信息技术的发展,交通运输数据已经进入了大数据时代,交通流大数据中蕴含着很多重要的信息,这些信息可以充分体现一些现实情况,特别是其变化规律反应了交通运输的状况,例如从交通流数据可以看出道路拥堵情况,所以对交通流数据的观测和研究有利于解决交通道路问题。但是交通数据通常都会因为采集、传输或存储过程中各种问题,数据会存在丢失和错误的问题。数据的缺失不仅降低了数据的有效性,同时对交通状况的研究带来了极大的阻碍。对缺失的交通流数据进行修复,一方面可以深化对交通流量数据时空关联性和统计特性的认识,另一方面对智能交通系统的后续分析有着重要意义。故对交通流量缺失数据的修复研究对获取交通规律和推动交通领域的发展有重要作用。本文的主要研究目标是设计修复精度较高的交通流数据修复算法。本文的主要研究内容如下:(1)本文首先对交通流数据的采集方式及缺失数据来源进行了详细地说明,之后分析了交通流数据的特性,然后通过研究发现低秩矩阵修复模型适合用于交通流数据的修复。数据缺失模式分为三种:完全随机缺失(MCAR)、随机缺失(MAR)、混合缺失(MIXED),所以实验需要对原数据进行缺失模式预处理,在此基础上对处理后的数据使用Matlab实现的低秩矩阵补全模型对三种缺失模式的数据进行数据修复,通过比较可以看出实验效果。(2)使用神经网络构建交通流数据修复模型,使用目前热门的神经网络LSTM模型对三种缺失模式的交通流数据进行修复。LSTM模型使用keras框架和python代码实现。将缺失处理后的数据集传送进LSTM网络,LSTM通过对数据进行训练获得数据的基本特征,并输出未来一天的交通流数据进行修复,通过实验可知LSTM模型对三种数据缺失模式的修复效果。(3)由于单纯地只使用一种数据修复模型的时候、修复的数据总是不能达到满意的效果,所以本章提出了一种基于低秩矩阵补全模型和深度学习的LSTM模型集成修复模型,使用两种模型对混合缺失模式进行修复,最后获得集成模型的预测结果。