对轨迹数据进行分析和处理能够揭示移动对象的运动规律并挖掘出与其相关的隐含信息，移动对象的不规律或异常运动产生了异常轨迹数据，异常数据的出现往往意味着有特殊情况发生，隐含着更有意义的信息，快速、准确地检测异常轨迹能够服务于交通分析及事故检测等具体应用领域。针对传统轨迹异常检测方法没有充分考虑轨迹局部异常的问题，该文提出一种基于停留区域识别的子轨迹异常检测方法：① 设计了一种基于密度的停留点检测算法检测轨迹集的停留点，通过寻找核心点以建立初始簇，使用核心点邻域内的点扩展当前簇，并根据簇内的时间间隔是否满足时间条件，从而检测出停留点； ② 根据停留点集合识别停留区域，将任意2个停留区域作为一对起点和终点区域后对轨迹进行分段；③ 根据分段后子轨迹的起点区域和终点区域对子轨迹集进行分组；④ 针对每个分组内的子轨迹，设计子轨迹异常检测算法检测异常空间子轨迹和异常时空子轨迹。在真实轨迹数据集上与传统异常检测方法进行对比，实验结果表明本文所提方法能有效地检测出异常子轨迹，并且运行时间明显低于TRAOD方法，检测准确率比TRAOD方法最高提升了23.9%；F₁分数值相较于ATDC和iBAT方法有明显提升，最高提升率分别为7.8%和16.1%。本研究描述的轨迹异常检测方法可以为交通运输和管理部门提供有效的决策信息，为车辆轨迹数据挖掘提供新的解决方案。

准确、可靠的短时客流预测可为城市轨道交通提供运营决策支持。本研究以基于Transformer机制的LSTM网络、深度注意力模块和CNN网络为基础，提出了城市轨道交通网络级多步短时客流预测模型（STIPM）。该预测模型由3个分支组成，分支一以时间序列进站客流为输入，提出了基于Transformer机制的LSTM网络提取该数据中的时间相关性；分支二以基于时间步的OD数据为输入，提出了深度注意力模块挖掘数据中大量的时间、空间相关性，利用基于时间步的OD数据能够更好地展现站间联系紧密程度和全局信息，从而完成了拓扑网络信息提取；分支三的输入为POI数据，使用CNN网络获取其时空相关性，并作为时间与空间特征之间的纽带。为了保证在预测精度足够高的条件下，获得更长的预测时间和更详细的预测信息，本文采用“神经网络多输出”策略，完成了多步预测任务。本文在2个大规模城市轨道交通真实数据集中对该模型进行测试，并将预测结果与10个基准模型和4个消融实验模型进行对比，在RMSE、MAE与WMAPE评估指标中，STIPM模型均得到最高的预测精度，结果表明该模型具有一定的优越性与鲁棒性。

当前路网主要借助属性表中若干特征项的属性信息对其进行语义相似性评估，很少顾及到路网的分级层次结构、空间拓扑信息以及邻域要素信息，一定程度上影响着语义相似性评估结果的准确性。针对上述问题，本文提出一种“整体（骨架树）→部分（同构子树）→个体（stroke）”的路网层次化语义相似性度量模型，该模型顾及了路网属性特征项、上下级拓扑关联和邻域POI的语义信息，突破了传统模型仅以路网属性特征项的语义信息作为相似性评估指标的局限性。① 利用stroke技术表达路网，并对其进行分级；② 将路网数据映射到关联骨架树，进而建立考虑其层次性的路网相似性度量模型；③ 利用层次分析法和熵权法分别确定约束指标权值，并通过加权法计算路网的语义相似度。将该模型应用到路网匹配实验中，并与既有模型进行对比，结果表明利用本文提出的语义相似性度量模型，同时结合同构子树进行道路匹配，不仅可以提高匹配结果的准确性，而且可以提高匹配效率。对于文中案例所选的路网，拓扑关联语义信息对匹配结果的影响较邻域POI语义信息更显著，且与遍历法相比，以同构子树作为参照进行路网匹配，其匹配速率得到明显提升。

城市出租汽车是居民出行的重要方式之一，地理流空间理论为发掘人群出行特征，优化车辆运营效率提供了新视角。本文利用厦门市出租汽车轨迹数据，采用地理流空间分析理论，对人群出行的整体随机性质进行了分析，基于流相似性度量识别并分析了丛集、汇聚、发散和社区4种典型模式及混合模式的空间分布特征，对比了基于巡游车和网约车2种车辆的人群出行模式。结果表明流空间理论能够系统性发现人群出行典型模式及混合模式，主要体现在：① 基于2类车辆的人群出行流在空间中呈现出显著的非随机特征；② 巡游车和网约车的典型模式在空间分布上有明显差别，网约车的有关模式分布范围更广，在厦门岛外各区中心及岛内东部软件园等区域附近较为突出，且网约车由于其订单由用户需求驱动，更容易发现潜在的高出行需求区域，同时出行结构更容易形成社区模式，而巡游车主要分布在传统岛内知名城市地标附近；③ 同一区域内巡游车和网约车出行混合模式普遍存在，约占典型模式的四分之一左右，而且不同类型车辆的主要混合模式存在差异，综合考虑混合模式能够提高城市公共设施规划的精确性和科学性。本文结果可以为车辆调度优化和城市交通规划提供支持，也表明地理流空间理论能够更有效揭示地理流对象的空间模式特征。

随着互联网租赁自行车（共享单车）的兴起，“共享单车+地铁”“共享单车+公交”已成为城市通勤的主要接驳方式，但共享单车的“潮汐效应”也成为共享单车管理和资源调配的“痛点”和“难点”。因此，发现共享单车的“潮汐规律”，准确预测共享单车停车区（电子围栏）的租还需求，对于共享单车的有序规范发展，优化用车体验和环境等具有重要意义。本文首先基于共享单车订单数据和“电子围栏”空间数据，提出一种识别共享单车潮汐点的时空模型并分析其潮汐性时空特征。该模型将潮汐点定义为短时间内因大量共享单车租或还从而导致无车可租或无车位可停的电子围栏，然后根据电子围栏在某时间段的状态进行分类，并赋予不同的缺车/缺停指数。结果显示该模型能够精准识别特定时段出现的潮汐点。随后，基于共享单车订单、城市信息点（POI）、道路、人口、土地利用、气温、风速等时空数据，并考虑局部范围内的电子围栏相关性，构建KNN-LightGBM模型来预测共享单车租还需求：① 利用主成分分析（Principal Component Analysis，PCA）进行特征提取；② 利用KNN（K Nearest Neighbors）算法计算局部范围内电子围栏之间相关信息；③ 整合PCA提取的特征向量和电子围栏相关信息作为输入特征，利用LightGBM方法进行租还需求预测；④ 评估影响租还需求预测的特征重要性。结果表明：与常用的4种机器学习方法进行对比，KNN-LightGBM在不同时间尺度下的预测实验中RMSE、MAE的平均值均最小，R²和r平均值均最大，预测效果较好；利用KNN计算局部范围内的电子围栏相关性，能够有效的提高预测精度，与LightGBM相比，KNN-LightGBM的RMSE和MAE分别降低了10%和11%，R²和r分别提高了3%和4%；共享单车的历史订单数据对租还需求预测最为重要，与最近公共交通接驳站距离的重要性次之。

渣土车轨迹数据蕴含丰富的行为模式信息，包括停车行为、运输路径、异常活动、渣土装载与倾倒OD点等关键特征，已逐渐成为渣土车运行监测与作业行为监管的主要数据来源。但是目前在渣土车作业行为提取中仍主要采用车载GPS数据结合工地电子围栏的传统签到系统，存在电子围栏与道路相互包含、重叠等一系列问题。针对传统渣土车作业行为提取中存在的车辆作业误判问题，本文提出一种顾及轨迹还原与分类的渣土车作业行为提取方法。① 从运动状态和几何形态2个方面理解并识别渣土车作业行为模式；② 利用顾及时间与距离的停留点提取算法提取车辆停留点，处理停留点与轨迹的映射关系，完成基于停留点的轨迹匹配；③ 构建平均相似值函数对轨迹进行语义信息增强；④ 提出SR-LGBM算法，筛选作业轨迹与非作业轨迹，实现渣土车的作业行为提取。采用南京市渣土车轨迹数据进行测试，结果表明，本文方法的准确率达97.29%，相比GaussianNB、Logistic Regression等传统分类算法其准确率与召回率均得到不同程度的提高，有效解决了电子围栏与道路重叠或多个围栏交叉造成的误判问题，可实现准确、高效的作业行为提取。