随着我国城市经济的高速发展,城市化进程迅速推进,人们的出行需求在不断增加,并且出行方式也在不断丰富。为此我国的很多大、中城市正面临着日益严重的交通问题,诸如交通拥堵、人群意外聚集等交通异常事件频发。交通异常事件的检测是智能交通系统的重要部分,是对公共安全的保障之一,本文针对如何准确地检测出交通异常事件发生的时间地点这一问题展开讨论,该问题已成为一项关系到经济与社会发展的热点问题,越来越受到城市计算、智慧交通相关领域的科研人员的关注。交通领域的异常事件检测问题与传统的异常检测相比,通常在两个方面表现出复杂的形式,1)时空复杂性,即本文为了提高异常检测的效果,时常需要关联各个城市区域和时间间隔的交通动态,形成异常事件的全景图;2)多源复杂性,即本文为了提高异常检测的效果,时常需要对能收集到的不同分布、密度和规模的多个数据源进行综合考虑。本文为了应对这些挑战,设计了一个完整的交通异常事件检测的流程框架,主要分四个阶段模块,分别为数据预处理模块、交通特征提取模块、单特征的异常评分模块、综合异常评分模块。第一阶段,数据预处理模块,本文首先对城市地图分区并将原始数据集映射到各城市区域上;第二阶段,交通特征提取模块,本文使用因子分析法对相邻时空段、不同密度分布的多个数据源进行处理,获得更具时空可解释性的新特征;第三阶段,单特征的异常评分模块,采用拟合优度检验将考虑当前时空段交通数据的备择假设与由历史数据得到的原假设进行比较,在各时空段上对不同交通特征的异常程度进行预评分;第四阶段,综合异常评分模块,通过单类支持向量机对相邻时空段的多个数据源的评分进行融合,给各个时空段的综合异常程度进行评分。最后,本文在纽约市的真实数据集和人工合成的数据集上进行了大量的实验,实验的结果验证了本文的异常事件检测框架的有效性。具体而言,本文提出的因子分析交通特征提取,在解决了原始特征的信息冗余、维度过高等缺点后,能有效地提高检测结果的准确性;同时在面临一些潜在的交通异常事件的检测问题时,本文提出的评分算法能合理考虑到“多源复杂性”和“时空复杂性”,可以有效地提高检测结果的准确性。