作为智慧城市的重要组成部分,智慧交通关注如何将大数据,物联网,云计算与人工智能等新兴技术相结合,打造更加高效敏捷的交通运输系统,解决目前交通资源需求大幅增加,交通资源供需矛盾日益突出等问题。交通数据,是智慧交通建设的数据基础。但是由于恶劣天气和设备损坏等原因,在交通数据的采集过程中,经常会出现数据缺失的情况,这严重制约了智慧交通建设的进展。近年来,交通数据恢复成为智慧交通领域的一个研究热点。本文基于张量填充(Tensor Completion)和张量矩阵关联分析技术(Coupled Matrix and Tensor Factorizations,CMTF),针对存在于交通数据恢复领域的两个问题,着重研究:(1)交通数据恢复中的数据建模框架,并在此基础上研究不同建模方式对数据恢复方法精度的影响;(2)适用于数据极端缺失情况的交通数据恢复模型。本文的主要贡献包括:详细论述了交通数据恢复问题的研究背景、研究意义以及国内外研究现状,并对张量理论和交通数据恢复的基本概念,相关知识与技术进行了归纳和总结。针对在交通数据恢复中,如何识别相关程度高的特征并进行数据建模的问题,提出了一种基于交通流数据的张量建模框架。并在此基础上,结合真实数据,从时间、空间两个维度系统探讨了在基于张量的交通数据恢复方法中,不同的数据建模方法对缺失数据恢复精度的影响。揭示了合理的利用交通数据的时空特征进行数据建模,能够显著提升数据恢复的精度。针对已有交通数据恢复方法在极端缺失条件下恢复精度急剧下降的问题,提出了基于多源数据关联分析的交通数据恢复模型,并结合真实出租车GPS定位数据和兴趣点数据(Point of Interesting,POI)进行了验证。实验结果表明,本文提出的交通数据恢复模型不仅能够显著提升缺失数据的恢复精度,并且在数据极端缺失的情况下仍然能够保持良好的稳定性。