交通数据是开展一切与交通相关问题研究的基础,其中对动态交通数据的处理和分析更是影响现代智能交通管控系统成效的关键。目前,随着大量各式数据采集设备的投入使用,以及通讯技术的飞速发展,交通数据从“量”到“质”都有了很大的提升,这为更好地掌握交通状态,更有效地解决交通问题提供了基础支撑,但同时这也向交通数据处理提出了挑战。面临着如此海量的,标准、形式各异的交通数据,如何对数据进行融合,使其间形成互补,从而避免重叠浪费；如何对数据进行挖掘,发现其间内在联系,进而获取交通状态；如何对数据进行快速智能分析,减少反应时间,从而满足实时交通控制需求,成为现代交通数据处理技术的应有之义和迫切需求。信息提取计算技术(Granular Computing)是目前信息智能处理领域研究的新热点,它以“粒度”思想为指导,实现对研究对象的定义、度量和推理,即从不同角度、不同层次分析处理问题,以求得最优近似解。信息提取计算技术在处理信息时并不拘泥于细节,因此在对海量、模糊、不确定、不完整的信息进行分析运算时表现出独特的优势。当前,信息提取计算理论已成功应用于模式识别、图像处理、智能搜索等领域,但在交通信息处理方面尚缺乏完整的理论体系和实践案例。论文在分析动态交通数据特点、信息提取计算技术适用范围以及现代智能交通管理对数据处理工具需求的基础上,将信息提取计算技术应用于动态交通数据处理(其中包含交通流量、平均车速等数据),构建交通信息提取计算技术理论体系,描述其一般建模流程,分别以“短时交通流预测”、“路网交通拥堵路段识别”、“交通异常数据检测”为例,详细介绍了交通信息提取计算技术应用过程,并验证其效果。主要内容如下：(1)信息提取计算理论研究。该部分详细介绍了信息提取计算理论的产生、演变过程,并从方法论及实际应用两个方面论述了其发展的必然性。通过对该理论基本概念、所研究基本问题和所依托基本数学工具的论述,确定了其理论研究框架和工程适用领域。最后简要概括该理论的基本模型及算法。(2)交通信息提取计算理论框架及建模。该部分将信息提取计算技术引入到动态交通数据处理领域,采取继承和发扬并重的策略,搭建了完整的交通信息提取计算理论框架。一方面,继承信息提取计算技术的思想理念和本质特征；另一方面,将已有用于交通数据处理领域的好方法与信息提取计算技术相融合。同时,该部分还提出了基于交通信息提取计算理论建模的思路、原则和一般建模流程。(3)基于交通信息提取计算的短时交通流预测。该部分选择短时交通流预测为研究对象,构建基于交通信息提取计算的短时交通流预测模型。该模型以粗糙集和神经网络作为构造并计算信息颗粒的工具。首先,利用粗糙集构造交通数据预处理颗粒,约简原始数据属性及数量,同时提取数据间关系规则。其次,利用规则构造基于神经网络的短时交通流预测信息颗粒,完成对交通流的短时预测,并对预测模型进行时空拓展研究。(4)基于交通信息提取计算的路网交通拥堵研究。该部分将交通信息提取计算技术用于路网交通拥堵识别,采用模糊商空间理论构造拥堵判别模型。首先,建立路网交通拥堵影响因子评价体系；其次,利用模糊商空间理论对模型输入数据进行分层次规约,选择合适的粒度对所研究路网的各路段进行聚类分析；最后,根据不同粒度层次,分析聚类结果,确定拥堵路段。(5)基于交通信息提取计算的交通异常数据检测。该部分构造基于交通信息提取计算回归预测模型对交通异常数据进行检测。模型以粗糙集和最小二乘支持向量机弱耦合为基础,首先利用粗糙集对原始交通数据进行属性和数量约简,对不同交通参数的属性值进行排序并确定回归预测模型的输入参数集；其次,将最小二乘法引入到支持向量机中,对交通异常数据进行检测。