随着智能交通系统（ITS）的发展,人们获取交通数据的方式也更加高效便捷。浮动车技术在城市智能交通系统中的应用也越来越成熟。通过分析浮动车数据可以实时获取道路交通状态。但对于城市一些交通设备配备不完善的非关键路口或者流量不大的稀疏浮动车数据路段,个别驾驶员的异常交通行为会造成交通状态错误呈现。本文以北京市浮动车数据为研究基础,在分析处理浮动车数据的基础上,改进了道路地图匹配算法,应用道路网格划分方法生成速度矩阵,补全了稀疏路段的数据缺失。在此基础上建立了针对异常交通行为的识别模型并进行了算法验证。首先,对采集到的GPS数据进行预处理,针对数据冗余、数据缺失等浮动车异常数据提出解决方法。完成原始数据清理之后采取划分道路网格的方法来提高道路匹配效率。接着将车辆GPS轨迹数据与道路几何特征相结合,划分道路网格区块从而生成速度矩阵,使用Schatten-p范数矩阵有效地解决了数据的稀疏性问题。基于Schatten-p范数的低秩矩阵数据恢复方法在数据可用率较低的情况下减小速度估计误差。本文将矩阵补全算法应用到道路交通速度推测中并通过实验评价指标横向对比均值法、奇异值分解法等不同补全算法的补全效果。最后,基于补全后的速度矩阵划定道路网格交通状态,建立了稀疏数据条件下的异常交通行为识别模型,并应用BP神经网络进行了模型求解,最后应用实际数据进行算法验证。本文改进的Schatten-p范数矩阵补全算法对缺失数据具有较为准确的补全效果。异常交通行为识别模型能有效甄别路段车辆异常交通行为,能有效地降低道路交通状态判别的误差,为交通出行提供更为准确的道路交通状态信息。