随着现代社会经济的发展,人们生活水平的提高,私家车保有量的增加,城市交通拥堵、环境污染等“城市病”日益严重,已成为社会关注焦点。国家提出“交通强国”战略并指出:智能交通是现代交通发展的趋势。基于交通物联网泛在感知的大规模交通数据是智能交通的基础。现有交通数据主要为公共交通数据和出租车数据,较少涉及私家车数据。事实上,私家车是城市道路交通最重要的组成部分,开展城市私家车交通出行研究具有很强的现实意义。机动车电子标识（Electronic Registration Identification of Vehicles,ERI）是一种新兴的交通信息采集技术,可用于采集城市全体车辆（包括私家车）的出行信息。然而,区别于公共交通、出租车和网约车等GPS及IC卡常规交通数据,ERI数据具有空间位置稀疏、车辆全覆盖等特点,传统交通数据挖掘方法难以适应ERI数据的特征。论文以“数据质量→交通规律→交通优化”为研究主线,针对ERI数据中时间不同步问题,开展修正技术研究;从车辆和路网两个角度对城市交通规律进行研究,通过发现出行热点区域来展示车辆的出行规律,通过研究路网行程时间估计来展示路网交通的时空规律;最后,根据所发现的城市交通规律,研究面向通勤私家车的定制公交,为城市交通优化和助力城市病解决提供了新思路。本文的主要创新及贡献如下:（1）针对ERI数据中的时间同步问题,提出了数据修正框架DR-TSP。DR-TSP主要包含三块内容:发现问题ERI阅读器、推断时钟漂移率和时钟跳变值、问题ERI数据修正。首先,通过统计分析所有道路的行程时间检测出问题阅读器,利用基于平滑的方法来发现问题阅读器的时钟跳变时隙。然后,利用神经网络构建路段真实行程时间的估计模型,损失函数考虑时钟漂移率和时钟跳变值的影响,在模型训练过程中完成时钟漂移率和时钟跳变值的推断。最后,使用推断的时钟漂移率和时钟跳变值来修正错误数据。实验表明所提方法可以有效提高ERI数据的质量。（2）提出基于ERI数据的城市私家车出行模式识别方法。该方法主要包括两部分:轨迹划分和出行热点区域挖掘。首先,构建路段的行程时间分布模型,模型的参数由最大期望算法（Expectation Maximization,EM）训练得到。通过路段行程时间分布模型与贝叶斯分类相结合的方法将私家车轨迹划分为各条行程。然后,提出了一种基于数据场模型的网格聚类算法。该算法利用私家车行程数据来挖掘城市出行热点区域。最后,利用重庆市真实ERI数据进行验证,并可视化分析城市私家车出行模式,揭示了城市私家车交通出行规律。（3）构建精准的路网行程时间估计模型,并应用于交通仿真。首先,通过注意力机制将传统交通模型与深度神经网络相融合,来构建路网行程时间估计模型MGCN。MGCN利用异同移动平均（Moving Average Convergence-Divergence,MACD）和图卷积网络（Graph Convolutional Network,GCN）分别提取路网交通的时间特征和空间特征。然后,形成以MGCN为核心的交通仿真方法,实现在给定路网信息和所有车辆行程信息的情况下,对城市路网交通高精度仿真。实验表明所提方法在行程时间估计和交通仿真两个方面都展现了优越性能,宏观交通仿真精度要明显优于通用交通仿真工具SUMO。（4）设计面向通勤私家车共享出行的城市定制公交方案。利用私家车行程数据对城市定制公交展开研究,期望通过将私家车通勤者转变为定制公交通勤者来改善城市交通。研究主要从定制公交需求和定制公交方案两方面展开。在定制公交需求方面,利用通勤行程时空相似以及高频的特征,从私家车行程数据中挖掘出私家车通勤者,作为定制公交的潜在服务对象。在定制公交方案方面,以服务乘客的数量为目标建模,考虑乘客行程的时空约束条件,采用多种容量客车搭配的模式以使定制公交方案更加灵活高效,考虑最少载客人数以确保单辆公交车收益。通过差分进化算法来寻求模型的最优解。利用重庆市真实ERI数据对定制公交方案进行评估,验证了定制公交在缓解交通拥堵和降低城市交通能耗方面的巨大潜力。