随着城市规模的扩张以及私家车数量的剧增,交通拥堵越来越频繁的出现在人们的日常生活中。交通拥堵不仅延误时间,而且会对环境及社会资源造成极大的破坏和浪费。交通拥堵出现位置、时间的准确预测及合理的路线规划有助于提高人们的出行效率并节约成本。因此,研究交通拥堵预测并提供合理的出行规划非常必要且意义重大。交通信息化近些年不断发展,交通管理部门积累了大量的交通流数据,这为交通拥堵的预测提供了可能。交通拥堵预测的精度和最优路径规划的合理性与数据的质量有很大关系,但是由于数据在采集和传输过程中不可避免的会有噪声或是缺失,使得交通拥堵的预测和路径规划异常困难。本文充分考虑了交通数据流在过去、现在、将来的多模式相关性,并将历史数据构建成张量形式,通过张量分解的方法对交通数据中的缺失值进行补全并对各个路段的车辆平均通行时间进行预测,进而进行出行路径规划。本文主要工作包括:(1)缺失数据补全。首先基于交通流数据的多维特性将历史数据构建张量,然后利用张量分解的方法对数据中的缺失值进行补全。主要目的是充分利用交通流数据在分钟,天以及周上的相关性。(2)车辆通行时间预测。基于补全的交通数据,将历史数据和需要预测的数据统一构建张量,使用张量分解的方法预测各路段的平均通行时间。(3)出行路径规划。基于预测的各路段车辆平均通行时间,计算各路段上车辆平均通行速度,判断各个路段的车辆通行状况,然后基于车辆平均通行速度规划出行路径。(4)本文基于阿里云“智慧交通大赛”提供的真实数据对本文所提方法进行了实验,验证了张量补全及张量分解预测的效果。实验结果表明张量补全有助于提高预测的精度,张量分解预测的精度优于传统的灰度模型。为了可视化路径规划效果,本文利用路段间的拓扑关系绘制了道路网络,在道路网络上绘制路径规划结果。