汽车增多导致的交通拥堵和安全问题,考验着城市交通管理的水平。因此提高交通系统承载力,改善出行条件,已成为当前热点研究问题之一,同时为未来城市热点区域挖掘和城市规划提供智慧决策。行车数据是进行智慧交通系统规划的前提和基础,完善的交通数据和车辆运行数据能够提供高质量的交通服务信息,提高交通运输系统的综合运行效率和智能化管理水平。目前,许多城市的道路网络都已部署了交通监管设备,能够实时获得交通数据,但是受到数据采集故障、传输和存储失效等问题的影响,实时获取的数据通常质量不高,会存在数据缺失、错误以及冗余等问题,这使得智慧交通管控、诱导等工作难以开展。因此对于交通数据的缺失问题,本文将基于多源数据集的共有结构特性和数据的时空维多模态特征以张量分解算法作为补全模型的核心,对交通数据进行恢复的同时对交通数据补全问题展开研究。在交通数据补全问题中,对于数据的预处理发现和获取其中相关性程度高的数据特征,对数据恢复精度的提高具有很大的意义。对研究问题进行张量建模,利用张量模型的多模态数据表证结构和多维数据并行处理的优势,不仅能提高数据恢复的准确度,同时能极大的提高模型的运行效率和性能。在结合市区真实GPS数据、和热点数据,讨论基于张量分解的时空维（TIME AND SPACE DIMENSIONS）粒度建模技术对交通数据进行恢复。交通数据信息恢复算法中,存在一些数据丢失较多情况时,有些模型的补全效果表现较差,本文提出多源数据共有结构下含残差张量的正则张量分解模型,通过选取最佳的模型特征秩,对交通领域路网数据进行高精度补全。通过昆明市交通运营部门GPS数据和城市热点POI数据对模型算法进行实验验证。表明带有残差张量的正则张量分解的补全模型,在最优秩选择适当的情况下能够对某一区间或者时间片段的缺失数据达到一个良好的数据恢复精度。相较于传统的机器学习算法和统计学习模型不仅速度更快性能更优,并且数据恢复的精度更高,并且也有良好的鲁棒性。本文基于张量分解（TENSOR DECOMPOSITION）和张量关联分析技术（TENSOR CORRELATION ANALYSIS）对交通数据的补全问题着重进行以下几方面讨论:（1）对经典张量分解模型CP、Tucker进行变体分解后采用交替最小二乘法优化,优化后比最小二乘法能获得更好的恢复精度且提取数据信息更完整,尤其是在处理稀疏张量信息方面。（2）改进变体分解交替优化方法并引入张量正则化梯度交替、分解修正,并结合真实GPS数据提出基于多源数据集共有结构的张量补全算法,本算法不仅向变体交替分解优化中引入正则项进行过拟合修正,同时引入残差张量对补全精度进行进一步提高。（3）利用多源交通数据集,通过对KNN、MICE、Miss Forest和TDIM等模型进行实验对比分析,表明本文算法通过选择不同的张量局部最优秩对实验数据进行区间段时间片的最佳恢复精度,该模型不仅在速度上更优于传统模型,避免了维度爆炸,通过最优秩选择使得恢复精度高于上述模型,并且具有良好的鲁棒性。