1.一种基于低秩先验的高速公路数据补全方法，其特征在于，包含如下步骤：步骤1、获取带有缺失项的高速公路数据并归一化，然后将归一化后的数据表示为“传感器×一天中的时间序列×一周中的天×周”的四阶张量形式；

步骤2、将高速公路数据补全问题视作低秩张量补全问题，构建秩极小化模型并基于加权伽马‑p范数进行模型转换；

步骤3、引入辅助变量和附加约束条件构建目标函数；

步骤4、采用交替方向乘子法求解目标函数，得到最终的高速公路补全数据；

所述步骤2中，将高速公路数据补全问题表示为如下带约束的秩极小化模型：(1)式中，min表示求最小值； 是归一化后的带有缺失值的部分可观测张量， 是补全张量， 是实数集，N1、N2、N3、N4分别对应张量不同维度的大小；rank(·)表示秩；s.t.表示约束条件；Ω是 中可观测数据点的集合；

是Ω上的正交投影；定义 是Ω的补集Ωc上的投影，两种运算符满足在公式(1)中，使用加权伽马‑p范数作为张量秩的非凸代理，公式(1)转换为：(2)式中，ak是权重系数；X(k)是 的模‑k展开矩阵； 是伽马‑p范数； 的计算公式为： a和b分别是X(k)的行数和列数，σi(X(k))是X(k)的第i个奇异值，i是奇异值索引，γ、p是非负参数，p∈(0,1)；

所述步骤3中，引入辅助变量 和一组附加约束条件 公式(2)转化为如下的目标函数：

(3)式中， 是辅助变量 的模‑k展开矩阵；

公式(3)对应的增广拉格朗日函数表示为：(4)式中， 均为辅助变量； 根据k的取值对应不同的拉格朗日乘子 β是惩罚参数；<,>表示两个张量的内积； 是F‑范数的平方；

所述步骤4中，求解过程为：

步骤4.1、输入归一化后的带有缺失值的部分可观测张量 可观测索引集Ω，权重系数α1、α2、α3、α4，惩罚参数β，非负参数γ、p，终止条件ε，更新率ρ，迭代次数l，最大迭代次数lmax；

步骤4 .2 、初始化参数，得到补全张量初始值 辅助变量初始值以及拉格朗日乘子初始值

步骤4.3、使用交替方向乘子法迭代更新各变量；

步骤4.4、判断是否满足迭代停止条件，满足迭代停止条件后迭代停止；

步骤4.5、迭代停止后，输出最终的补全张量，对最终的补全张量进行反归一化，得到最终的高速公路补全数据；

所述步骤4.3中，更新过程为：

步骤4.3.1、更新补全张量 公式如下：(5)式中， 是第l+1次迭代后的补全张量； 是第l次迭代后的辅助变量； 是第l次迭代后的拉格朗日乘子；

步骤4.3.2、更新辅助变量 公式如下：(6)式中， 是第l+1次迭代后的辅助张量；flodk(·,dim,k)表示将目标矩阵沿模‑k进行折叠操作，dim是张量的维度，k＝1,2,3,4；diag(·)表示构建对角矩阵函数；U和V是将矩阵 进行奇异值分解后得到的两个正交矩阵；S是将矩阵进行奇 异值分解 后得到的 对角矩阵 ，unflodk(·,dim,k)表示将目标张量沿模‑k进行展开操作；max表示求最大值；grad(σ)表示将矩阵 的伽马‑p范数对奇异值σ求梯度，直至收敛；T是转置符号； 是第l+1次迭代后的 的模‑k展开矩阵； 是第l次迭代后的 的模‑k展开矩阵；

步骤4.3.3、更新拉格朗日乘子 公式如下：(7)式中， 和 分别是第l+1次和第l次迭代后的拉格朗日乘子；

步骤4.3.4、更新惩罚参数β，公式如下：(8)式中， 是更新后的惩罚参数；ρ是更新率；

步骤4.3.5、更新迭代次数l＝l+1；

所述步骤4.4中，迭代停止条件为：当 或l≥lmax时终止迭代，其中， 是第l次迭代后的补全张量；‖·‖F表示F‑范数。