随着移动互联网和全球定位技术的发展,大量移动出行类服务和应用在方便用户出行的同时,也能收集到用户的出行数据,如何利用这些数据解决城市路网交通中的出行难问题成为当前研究的热点。然而,用户出行数据在路网交通中表现的复杂时空特性和统计特性给相关研究和应用带来了挑战,主要包括:（1）在空间维度上对出行路线进行相似匹配时,数据量大导致效率低下;（2）在时间维度上对出行时长进行估计时,出行轨迹等时空信息的利用不充分造成估计准确率低下;（3）在群体统计维度上对出行交通量趋势进行预测时,数据间复杂的时空相关性导致准确预测的难度较大。因此,本文针对上述挑战进行了如下研究:1.基于序列相似查询和连接的出行路线匹配:出行路线匹配指的是将相似的出行路线进行配对,主要包括查询匹配和连接匹配。首先,本文提出了一种基于路段序列表示的路线相似度函数。其次,基于该相似度函数,本文设计了基于路段前缀签名的“过滤-验证”匹配框架,该框架在“过滤”阶段可以快速地对大量不相似数据进行过滤。最后,本文基于Spark开发了分布式框架,并设计相应的分布式查询和连接算法支持高效相似匹配。实验结果表明本文方法比现有方法在匹配速度上提高了1到3个数量级。2.基于轨迹序列建模的出行时长估计:出行时长估计指的是预估出从出发地到目的地的用时。考虑到不同的轨迹对应了不同的出行时长,本文将时空轨迹数据的建模应用到出行时长的估计中。本文先基于路网建模轨迹在每条路段上表现的时间和空间特征,然后再建模轨迹的序列特征。针对实际估计时轨迹缺失问题,本文设计模型对起止点信息进行时空编码,并通过历史轨迹辅助起止点编码模型的学习,在轨迹缺失的前提下提高了估计的准确率。实验结果表明本文方法比现有方法在估计相对误差上减少了30%以上。3.基于时空相关性建模的出行交通量趋势预测:出行交通量主要是通过群体用户出行轨迹数据统计得到的,因此这些交通量之间存在了强相关关系。本文利用这些相关关系对不同交通量的趋势进行联合预测。具体来说,本文考虑了三种时空关联关系:空间区域的相关性、交通状态的时间周期性以及不同类型交通量的相关性,并设计了相应的神经网络模型对这些时空关联关系进行建模。实验结果表明本文方法比现有方法在预测相对误差上减少了15%以上。