【摘要】对实时车辆流量、平均车道占用率等各种交通监控数据的完整获取，是建设智能交通系统、提高交通管理运行效率的重要基础。文章提出一种融合类信息的函数型矩阵填充方法（Functional Matrix Completion Method with Class Information,CFMC）。在函数型数据分析框架下，基于非负矩阵分解构造函数型矩阵填充模型，在此基础上通过聚类划分引入样本类信息，借助类内样本相关性插补缺失值，并采用自加权集成学习算法动态赋权计算得到最终插补值。在公共交通数据集PeMS上进行插补实验，结果表明：当缺失率为15%～70%时，CFMC方法相较于K近邻算法、MICE、PACE等10种插补方法，均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别降低了10.75%～81.69%、0.34%～84.48%和12.5%～81.08%，且耗时可控。所提CFMC方法插补精度高、鲁棒性好，能够保证插补的有效性和准确性。