胡 雪，彭敦陆

(上海理工大学 光电信息与计算机工程学院，上海 200093)

1 引 言

近年来，汽车数量的快速增长导致道路拥挤现象越来越严重，对交通管理的智能化迫在眉睫.行车数据是进行智能交通网络规划、避免拥堵等应用的基础，完整的数据有利于提取有价值的交通信息.然而，实际采集的真实数据，由于检测器故障、通信处理错误等各种因素，往往使得来自多源感知设备的交通数据产生丢失的情况，甚至在一些情况下非常普遍[1].同时，高速公路摄像头(监控视频、图像等)、流量检测器等所采集的多模态交通数据，其编码方式、语义、标识存在差异，导致了信息无法融合，形成一个个信息孤岛.如何高效地实现多模态交通数据缺失值补全具有明显的现实应用意义.

国内外学者提出了许多交通数据缺失的补全方法.研究人员最初将历史(最近邻)归责方法[2]应用到交通数据补全上.随后基于主成分分析提出了大量数据补全方法，如贝叶斯主成分分析(BPCA)[3]和概率主成分分析法(PPCA)[4].作为一种能够综合表达数据的工具，近年来张量在数据处理领域中快速发展，尤其是在交通数据处理和挖掘领域应用越来越广.Acar[5]等人提出了用加权优化的CP分解(CP-WOPT) 处理缺失值，通过实验验证具有很好的性能.

尽管在单一数据源时具有较好的表现，但这些方法没有对多模态数据集合进行缺失数据补全的进一步研究.基于此，本文针对交通监控视频(非结构化数据……