学位论文简介

交通数据恢复是智能交通系统的核心基础问题。随着智慧城市与物联网的快速发展，多源异构交通数据规模激增，但采集过程中的设备故障、通信丢包等问题导致数据广泛缺失与异常。如何在保证恢复精度的前提下高效处理大规模、高稀疏度且观测分布极不均衡的交通数据，已成为关键挑战。

使用张量补全模型进行交通数据恢复面临三大挑战：上下文与空间信息未有机融合；缺失与异常数据同时存在；张量补全计算效率低下。针对上述挑战，本文围绕多模态交通数据恢复，从多源信息融合、缺失异常协同恢复及计算效率优化三个层面开展系统研究，主要贡献如下：

（1）提出融合上下文信息与空间信息的张量补全模型。该模型通过统计道路上下文分值对索引重排序，使相似道路在逻辑上相邻；引入拉普拉斯矩阵捕捉空间拓扑关系并添加惩罚项增强平滑性，结合GPU并行求解提升缺失数据填充精度。

（2）提出面向大规模交通数据恢复的空间感知稀疏张量补全模型。该模型同时应对缺失与异常两类问题，利用拉普拉斯矩阵与上下文矩阵设计空间感知目标函数，将交通数据恢复统一转化为张量补全问题，并基于随机梯度下降的GPU实现并行加速。

（3）提出面向GPU的稀疏张量补全算法。该算法将稀疏张量划分为稠密块与稀疏子张量，针对稠密块设计基于张量核心的MTTKRP算法提升计算吞吐量，同时采用warp级动态调度策略缓解负载不均，显著提升计算效率。

主要学术成果

[1] Ouyang R, Wang H, Hu Y, et al. SASTC: Spatial-Aware Sparse Tensor Completion for Large-Scale Traffic Data Recovery[J]. IEEE Internet of Things Journal, 2025, 12(24): 54690-54698.（SCI 2区，第一作者）

[2] Ouyang R, Hu Y, Wang H, et al. A novel completion method for sparse traffic data imputation[J]. IEEE Intelligent Transportation Systems Magazine, 2025, 17(3): 96-108.（SCI 3区，第一作者）