目前国内大中城市,甚至是部分小城市,都拥有各自的交通数据库,蕴含了极大的潜在数据价值。然而遗憾的是,这些繁杂庞大的交通数据并未被充分的利用起来。其中原因则有很多,比较重要的一点就是交通监测设备采集的部分原始数据可信度较低,直接导致了以此为基础的后续数据挖掘工作受到影响甚至误判。因此,针对交通原始数据的异常检测和修正就显得十分重要。在本文中,将针对断面交通异常数据检测修正算法进行研究,通过两种算法的建立,分别组成不同的交通数据质量控制流程,从而提高交通数据的精度,为后续的交通规划,交通控制,甚至是跨领域的社会应用提供优质的数据支持。首先,从异常数据检测和修正两个方面对国内外研究现状进行分析总结。总体上,相关算法是基于传统数理统计学和基于神经网络深度学习的,因此确定以这两个方向作为算法思路,同时提出本文的主要研究内容和技术路线图。其次,通过对基于交通原始数据的三参数特性分析,得到各参数数据的相关关系,为后续算法提供理论依据;随后,对实验数据集进行查漏补缺操作,针对不同的缺失数据特点分别采用不同的补齐方法,得到完整的数据集合,为后续的算法提供完整的原始数据集合。然后,分别采取基于传统数理统计学和基于神经网络深度学习的两种算法进行断面交通数据的检测和修正作业。(一)针对汕头-昆明高速公路K2077断面数据,利用多元高斯检测、波动性优化灰色马尔可夫修正,在基于传统数理统计学的角度对原始数据集进行质量控制;(二)利用基于优化递归网络LSTM(Long Short-Term Memory)的检测修正算法,在基于神经网络深度学习的角度对原始数据集进行质量控制。第一种算法在matlab上编程实现,第二种算法在jupyter平台上基于tensorflow框架编程实现。最后,就本文所提的两种算法与常用的交通数据预处理算法进行对比分析。研究结果表明,本文所提的两种算法性能都优于一般的交通数据检测修正方法。同时,两种算法分别在不同的应用背景下各具有相对优势。