智能交通系统(ITS)是缓解交通拥堵、提高道路通行效率的有效途径之一。然而,由于网络传输延迟、检测器故障等原因,ITS中采集的交通流数据往往存在很多缺失值,这使得交通流预测和车辆路径规划等应用非常困难。目前,交通流缺失值插补已经成为智能交通领域的一个重要研究课题,引起了国内外学者的密切关注。最近,基于低秩矩阵补全(LRMC)模型的交通流缺失值插补问题成为一个研究热点。然而,目前的研究直接将LRMC模型应用于交通流缺失值插补,而未充分考虑到交通流数据的内在特点,从而降低了缺失值恢复的性能。本文在低秩矩阵补全模型的基础上,对路网交通流数据插补问题进行了系统的研究。主要工作包括:(1)深入分析了道路网络的交通流特性和交通流缺失数据产生的原因,并对完全随机缺失、随机缺失和混合缺失这三种典型的缺失模式进行介绍。(2)描述了基于低秩矩阵补全模型的路网交通流数据插补问题,然后对求解低秩矩阵补全模型的一种常用优化算法——奇异值阈值迭代(SVT)作了详细介绍。(3)考虑到对整个路网交通流数据矩阵进行低秩矩阵补全时,应充分考虑到交通流数据时空相关性的不均匀性,提出一种基于交通样本相关性和集成学习的缺失值恢复算法—CLRMC-EN。描述了算法的具体流程、时间复杂性分析,并在一个公开的交通数据集—美国俄勒冈州波特兰市的公路交通流量数据库上,对算法性能进行了比较,仿真结果表明CLRMC-EN显著优于LRMC和其它一些常用的插补算法。(4)针对CLRMC-EN算法在大规模路网情况下时间复杂性高的问题,提出一种基于聚类算法和最小二乘集成学习的缺失值恢复算法—HCLRMC-EN。详细介绍了该算法的原理和流程,在大规模路网交通流数据上的仿真结果表明,HCLRMC-EN算法的恢复性能达到CLRMC-EN算法的96%,但速度快19倍,从而更适合于大规模路网的情况。