智慧城市、智慧交通作为近年来的新兴领域,面临着很多的技术挑战。智慧交通是在智能交通(Intelligent Transportation System,ITS)的基础上,通过物联网、人工智能、云计算等高新技术收集管理相关交通数据信息,管理和支持交通领域的各个方面,有效把控交通运输施工管理全过程,例如交通运输,运输管理,大众交通等。使ITS在局部地域、城市甚至更广的时空领域内具备感知、互联、分析、预测、控制等能力,以有效确保交通安全、施展交通基础设施效能、提高交通系统运行效率和管理水准,为畅达的公众出行和可持续的经济发展服务。但由于车辆移动性和数据随机性等因素,智慧交通数据存在缺失的弊端,针对采集的车辆数据做智慧交通相关预测研究也是智慧交通中的重要挑战,因此本文针对智慧交通中的交通流量数据进行缺失修复和可靠预测的研究。面对当前庞大的智慧交通数据量,收集并统计处理是必要且重要的过程,但无法避免的数据缺失问题是目前一直的研究重点。本文针对车辆交通数据缺失问题提出一种基于张量的车辆交通数据缺失估计新方法:集成贝叶斯张量分解。本算法在数据模型构建阶段,利用随机采样原理,将缺失数据随机抽取生成数据子集,并用优化后的贝叶斯张量分解算法进行插补。引入集成思想,将多个插补后的误差结果进行分析排序,考虑时空复杂度,择优平均得到最优结果。通过平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)和均方根误差(Root Mean Square Error,RMSE)对提出模型的性能进行评估。实验结果表明,本文提出的集成贝叶斯张量分解算法能够有效的对不同缺失量的交通数据集进行插补,并能得到很好的插补结果。交通流量预测是实现智慧城市、智慧交通的重要手段之一,准确有效的预测将为智慧交通系统提供决策判断的重要依据,目前技术发展仍需改进。本文提出了一种基于量子粒子群优化策略的车联网交通流量预测算法。根据交通流量数据特征建立对应模型,将遗传模拟退火算法应用到量子粒子群算法中得到优化的初始聚类中心,并将更新处理后的算法应用于径向基神经网络预测模型的参数优化,通过径向基神经网络的函数逼近得到所需预测的数据结果。另外,为了比较算法的性能,还与其他相关算法进行了比较研究。仿真结果显示相比于其他算法,本文所提出的流量预测算法能够降低预测误差,得到更好、更稳定的预测结果。