1.一种基于时空约束的交通数据张量补全方法，其特征在于，包括如下步骤：步骤1、将从一个地区到另一个地区的交通流数据建模为一个时空张量；

步骤2、采用Tucker分解算法对张量进行分解；

步骤3、建立基于Tucker分解的张量补全优化目标函数；

所述步骤3中，首先建立基于Tucker分解的张量补全优化目标函数，如下所示：然后对目标函数进行加权处理，如(3)所示：

其中，W是一个维度大小与X相同的二元指示张量，张量W中条目Wijk如下式所示，通过(3)式的最小化目标函数得到优化的因子矩阵A、B、C以及核心张量G，从而获得恢复后的完整数据张量；

步骤4、增加空间正则化约束，根据研究区域中POI数量和类别来分析各区域的类别占比、类别丰富度和交通便利程度，获得每个区域的城市特征向量，进而获得城市相似矩阵；

所述步骤4的具体过程为：

步骤4.1、获得分割后各区域的POI数量和类别数，然后根据其数据获得各区域各类别占比Cns：其中，Pns表示第n个区域第s个类别的POI数量；

步骤4.2、定义各区域类别丰富度Rn(n＝1,2,…,N)和交通便利性Qn(n＝1,2,…,N)，其中Qn是与公共交通站点、停车场交通类别有关的POI数量比例，从而获得每个区域的城市特征向量vn＝[Cn1,Cn2,……,Cns,Rn,Qn]；

步骤4.3、构建城市相似矩阵M；定义城市相似矩阵M的第(p,q)个元素为Mpq，Mpq表示区域p和区域q的相似度：其中，vp表示区域p的城市特征向量，vq表示区域q的城市特征向量；

此外，A是张量分解后的空间潜在因子矩阵，其行向量ai表示第i个区域对所有起点空间模式的得分，相似的城市区域应该有类似的空间模式，因此，用 来表示区域i和区域j的相似性；类似地，空间潜在因子矩阵B的行向量表示区域间的相似性，用 来表示区域i和区域j的相似性，从而获得如下关系：T T

M＝AA+εA，M＝BB+εB                 (6)εA和εB均表示随机误差矩阵；

步骤4.4、在模型公式(3)的基础上进行改进，增加空间正则化约束后的优化目标函数为：其中，α和β是正则化参数， 为空间正则化约束部分；

步骤5、通过时间序列分析得到Toeplite矩阵T°来捕获时间依赖性，进而添加时间正则化约束；

所述步骤5中，使用Pearson相关系数来描述两个相邻时间序列的相关性，系数范围是‑

1到1；通过T°＝Toeplite(0,1,‑2,0)矩阵来捕获时间依赖性；将时间正则化约束添加到目标函数中，改进后的模型如下：其中， 为时间正则化约束部分，ε是正则化参数；

步骤6、加入L2范数得到最终的优化目标函数；

所述步骤6中，最终的优化目标函数为：

其中，σ表示惩罚因子；

步骤7、对优化目标函数进行迭代计算，得到最终的因子矩阵和核心张量；

步骤8、基于因子矩阵和核心张量进行张量补充，得到最终补全后的交通流数据张量。

2.根据权利要求1所述基于时空约束的交通数据张量补全方法，其特征在于，所述步骤

1的具体过程为：首先将研究区域通过基于网格的方法平均分割为面积大小相等的N个区N×N×T域，给定T个时间段，构成交通流原始张量X∈R ，张量X中条目xijk表示时间段k时出现在区域Ni并且在Nj区域也出现的所有对象的数量。

3.根据权利要求1所述基于时空约束的交通数据张量补全方法，其特征在于，所述步骤

2的具体过程为：

将N个区域T个时间段的交通流数据建模如下：

其中，A,B,C均是Tucker分解的因子矩阵，A和B是空间潜在因子矩阵，表示空间特征，ap、bq分别是A的第p个列向量和B的第q个列向量；C是时间潜在因子矩阵，表示时间特征，cr是C的第r个列向量；G是核心张量，其中每个条目是一个单独的特征，表示不同模态因子中基本分量之间的相互强度；gpqr表示ap、bq和cr三个基本分量之间的作用强度。

4.根据权利要求1所述基于时空约束的交通数据张量补全方法，其特征在于，所述步骤

7中，使用交替最小二乘法对优化目标函数进行迭代计算，所需优化的参数为因子矩阵A、B、C以及核心张量G，固定其中任意三个参数，对第四个参数进行更新，更新公式见式(10)‑(13)，依次迭代，直到达到收敛条件时停止，(l) * (l‑1) (l‑1) (l‑1) 2G ＝argminGf(G,A ,B ,C )+σ‖G‖                      (10)(l) * (l) (l‑1) (l‑1) 2A ＝argminAf(G ,A,B ,C )+σ‖A‖                       (11)(l) * (l) (l) (l‑1) 2

B ＝argminBf(G ,A ,B,C )+σ‖B‖                      (12)(l) * (l) (l) (l) 2

C ＝argminCf(G ,A ,B ,C)+σ‖C‖                       (13)(0) (0) (0) (0)

其中，l表示迭代次数，对四个参数首先进行初始化处理：G 、A 、B 、C ，然后根据以上公式依次进行迭代。

5.根据权利要求1所述基于时空约束的交通数据张量补全方法，其特征在于，所述步骤

8中，得到最后的因子矩阵A、B、C以及核心张量G之后，利用式(14)计算将原张量补充完整，进行插补缺失值，