Un gran desafío para los sistemas de transporte inteligente (ITS) es la falta de datos de tráfico. Los datos de tráfico se ingresan desde varias aplicaciones de transporte. En las últimas décadas, se han propuesto varios métodos para la imputación de datos temporales de tráfico. Un problema clave es que la información temporal recopilada por detectores vecinos puede hacer que la imputación de datos faltantes de tráfico sea más precisa. Esta revisión analiza los métodos de imputación de datos temporales de tráfico. Se revisan los métodos de investigación, patrones de faltantes, suposiciones, estilos de imputación, condiciones de aplicación, limitaciones y conjuntos de datos públicos. Luego, se prueban cinco métodos representativos bajo diferentes patrones de faltantes y ratios de faltantes. Se seleccionan datos del sistema de medición del rendimiento de California (PeMS) que incluyen volumen de tráfico y velocidad para realizar la prueba. El análisis de componentes principales probabilístico es el que mejor se desempeña en la mayoría de las condiciones.