学位论文简介

交通数据恢复是智能交通系统（Intelligent Transportation Systems, ITS）中的关键基础问题，对于交通状态估计、交通流预测、路径规划及信号配时优化等上层应用具有重要影响。随着智慧城市与物联网（Internet of Things, IoT）的快速发展，多源异构交通数据的规模持续增长。然而，数据采集与传输过程中普遍存在的设备故障、通信丢包、覆盖盲区以及隐私限制等问题，导致原始数据中广泛出现缺失值与异常值。如何在保证恢复精度的前提下，高效实现高稀疏度、强噪声干扰且观测分布高度非均衡条件下的交通数据恢复，已成为该领域亟待突破的关键问题。在基于张量补全的交通数据恢复过程中，主要面临三方面挑战：第一，异构上下文信息与空间信息难以转化为统一的张量结构约束；第二，缺失补全与异常矫正的分离式处理存在误差传播；第三，稀疏张量补全计算效率较低。针对上述挑战，本文围绕基于张量补全的交通数据恢复问题，从上下文与空间信息协同建模、缺失与异常联合恢复以及 GPU 并行加速三个层面展开系统研究，主要研究内容与贡献如下：

（1）提出了一种上下文重排序与空间拓扑协同约束的交通缺失数据补全模型，记为 Sparse Traffic Data Imputation（STDI）。该模型将原始交通观测数据组织为三阶时空张量，并在统一的张量补全框架下完成缺失值恢复。模型通过上下文分值驱动道路索引重排序，将原始非局部语义相似性转化为张量中的局部结构相邻性，同时引入基于路网拓扑构建的拉普拉斯约束，对道路间空间平滑性进行显式建模，从而形成上下文关联约束与空间拓扑正则约束相结合的协同补全机制。实验结果表明，STDI 在两个真实交通数据集上的补全精度与计算效率均优于多个现有基准方法。

（2）提出了一种面向缺失与异常联合恢复的空间感知张量补全模型，记为 Spatial-Aware Sparse Tensor Completion（SASTC）。该模型在统一的三阶时空张量框架下，将缺失数据恢复与异常扰动抑制纳入同一优化目标，并通过引入空间拓扑先验与上下文结构信息，对复杂场景下的交通数据缺陷进行统一建模。SASTC 在恢复过程中显式刻画道路之间的空间相关性与上下文关联性，从而增强模型对复杂交通时空结构的稳定刻画能力，缓解分离式处理所引发的误差传播问题。实验结果表明，SASTC 在三个真实数据集上的恢复精度与计算效率均优于多个现有基准方法。

（3）提出了一种面向 GPU 的稀疏张量补全并行加速算法，记为 GPU-based Sparse Tensor Completion（GSTC）。该算法将稀疏张量划分为稠密块与稀疏子张量。在张量补全过程中，针对稠密块提出了基于张量核心单元（Tensor Core Unit, TCU）的张量矩阵化乘以 Khatri-Rao 积（Matricized Tensor Times Khatri-Rao Product, MTTKRP）算法，以提升计算效率；同时，针对稠密块与稀疏子张量之间的负载不均衡问题，设计了 warp 级动态调度策略以提高并行执行效率。实验结果表明，GSTC 在多个数据集上的性能优于多种现有基准方法，验证了其在提升稀疏张量补全计算效率方面的有效性。

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TOP，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）