随着我国城镇化的推进和社会经济的飞速发展,日益拥堵的城市交通已成为我国许多大中城市面临的顽症,各地城市管理部门都对智能交通系统给予极大的关注并投入了大量人力物力研发。随着交通基础设施的日益完善,城市交通大数据已能提供丰富的路网拓扑信息和交通流的相关时空信息,这为我们从宏观上了解和预测城市全局的交通状况奠定了基础,但同时,海量数据所涉及到的大规模计算也带来了新的挑战。基于以上背景,本文针对大规模城市交通路网,首先提出将全局的城市交通状况划分为几大主要模式,给出了全局交通模式的特征挖掘方法,接下来提出了基于变阶马尔科夫模型的全局交通模式预测方法。其次,通过数据寻找路网区域之间的关联信息,对大规模城市交通路网提出了挖掘关联特征的高效算法。最后,为解决带有耦合的立体路网的交通模式预测,提出了改进的预测方法。具体研究内容介绍如下:1)定义全局交通模式及其挖掘方法。采用交通分区及数据融合方法将整体路网中相似的路段划分到相同区域中并将路段数据转换为区域数据。根据区域交通数据,提出获取全局交通模式的挖掘方法,根据不同的聚类方式和距离指标讨论不同情况下的交通模式挖掘效果并进行比较。2)提出针对全局交通模式序列的预测方法。首先使用不同类型的集成学习方法进行模式预测。并提出了以集成学习为框架的预测方法,其基学习器是通过变阶马尔科夫的模型和概率后缀树的思想计算得到不同模式之间的转移概率,并通过加权集成方式得到最终的投票结果。使用上海市实例数据验证不同方法的有效性。3)研究关联规则在城市交通中的应用。提出基于哈希表的多元关联规则挖掘算法,适用于大规模城市交通路网关联计算。本文提出改进的置信度指标,并比较关联算法与传统关联算法的复杂度。从路段和区域、同步和异步对实际路网进行关联分析。4)设计立体路网全局交通模式的多步预测框架。由于带有多层路网的交通存在着更加复杂的状态和耦合性,首先对立体路网进行预处理分层,并根据路网之间的关联特性提出了带耦合项的特征,设计迭代预测和多步剪枝的交通模式预测流程,使用交通实例数据进行验证和算法分析。