交通大数据是构建城市智能交通系统的关键技术,带动城市交通在感知、人车路协同、大数据分析以及综合服务等方面整体升级与创新发展。手机信令数据具有时效性、连续性和覆盖广等优势,通过对手机信令数据的交通模式识别与预测研究,可以实现人流出行分析以及路网路况分析,对于实施智能交通大数据服务和建立城市治理体系具有理论意义与实际价值。目前国内外对手机信令数据进行了较多研究,一方面,基于机器学习的出行模式识别方法大多未考虑不同输入的组合特征对模型性能的影响;另一方面,传统的交通流预测模型由于未综合考虑交通流的时空属性、日内时序和环境因素等对模型性能造成的影响,从而制约了交通流的预测精度。针对上述问题,本文的主要工作和主要贡献分为以下三个方面:一、基于手机信令数据的停驻点识别。首先,基于个体信令数据构建用户的时空出行链;然后,通过调用地图GIS引擎将手机信令数据映射至所研究交通小区,利用本文所提时空网格聚类停驻点识别算法对用户停驻行为进行时空约束,形成基于时空聚类的用户停驻点识别模型;最后,识别出用户出行轨迹的停驻点,对用户出行链进行重构。仿真结果表明,本文方法可以实现信令用户出行链的停驻点识别,相比ST＿DBSCAN算法准确率提升2.9%。二、基于手机信令数据的用户出行模式识别。首先,针对重构后的用户出行轨迹进行划分,提取平均速度、加速度、导航数据等出行轨迹特征;然后,基于隶属度函数和聚类算法提取用户出行轨迹的隶属度函数特征和聚类特征;最后,基于上述特征建立用户轨迹的多维度特征集,利用XGBoost模型评估不同场景下不同特征组合对出行模式识别的影响。仿真结果表明,传统组合特征和未区分时段的准确率分别为83.1%和87.3%,本文方法在高峰时段准确率约为91.75%,在非高峰时段准确率约为90.35%,识别精度获得较好提升。三、基于手机信令数据的交通流预测。首先,以交通流数据为基础,结合道路的天气条件,构建特征矩阵;然后,结合CNN空间扩展和LSTM长时记忆的优势,利用CNN提取交通流数据中的空间特征,将输出的空间特征作为LSTM的输入,提取交通流数据中的时间特征;接着,将交通流的时空特征作为回归预测层的输入,计算当前输入对应的预测结果;最后,在LSTM侧引入注意力机制,使模型专注于学习更重要的数据特征,进一步提高模型预测精度。仿真结果表明,本文CNN-LSTM-Attention模型在考虑天气因素的预测结果优于不考虑天气因素的预测结果。同时与传统的神经网络模型相比,以采样间隔5min为例,本文模型MAPE值约为7.63%,低于CNN（12.06%）、LSTM（10.61%）和CNN-LSTM（8.17%）。