交通流数据是智能交通系统的核心基础，也是交通管理的重要信息来源。为保证道路交通的有效控制和管理，需要严格控制数据质量。但在实际运行过程中，由于采集设备故障、气象条件、系统故障、输电线路损坏等不可避免的客观因素，经常出现数据丢失、错误等异常情况，进而影响交通流数据的质量和可靠性。这不仅降低了对数据特征进行深度挖掘和分析的准确性，且由于交通流数据的采样周期长、采样点稀疏，也给数据质量控制效果带来了挑战。

        针对上述问题，谌越博士提出了一种基于时空相似性的交通流数据质量多步自动控制方法。具体而言，针对断面级缺失数据，提出了一种基于连续缺失数据预处理和分段低阶插值的组合修复方法；针对路网级缺失数据，提出了一种基于时间相似度的自适应加权指数平滑方法；进一步，构建基于时空相似性的多断面优化模型，对修复结果进行进一步优化。研究表明，基于时空相似性的交通流数据质量多步自动控制方法大大提高了数据修复效果，在交通流数据质量控制方面具有一定的竞争力。该研究成果深化了对城市路段交通流运行机制的认识，为城市交通系统管理提供了理论依据和数据支持，有利于综合交通大数据中心体系的建设和交通管控的合理实施，对缓解交通拥堵、提高交通安全水平具有重要意义。

        相关研究成果以“Multi-step control method of traffic flow data quality based on spatiotemporal similarity at video frame rate”为题发表于人工智能领域国际著名期刊《Engineering Applications of Artificial Intelligence》（中科院1区Top）。南昌航空大学土木与交通学院为第一完成单位，谌越博士为第一作者和通讯作者，东南大学陆建教授参与了研究。

论文链接：

        https://doi.org/10.1016/j.engappai.2025.111153

(图文一审：李云丽  图文二审：周光权  图文终审：王秋先）