城市交通是人类活动和社会经济发展的前提和基础,随着汽车保有量的增加和城市化进程速度加快,在提升人们出行便利的同时,也产生了一些新的问题。例如,道路路网的扩张、道路交通事故以及交通拥挤等。基于此,要缓解上述问题,对智能交通系统产生的大量车辆轨迹数据进行理论性分析和应用性研究是有必要的,这些研究成果将为交通管理部门、公安侦查等提供有价值的信息。本文具体工作如下:1、提出一类时空广义L系统。由车辆轨迹数据生成的、超大规模的道路路网具有自相似性、异步并发性、时空性和随机性,而当前对道路路网进行刻画所采用的数学模型基本上是有向图同时用复杂网络理论作分析,该类模型不足以形式化描述具有时空性的车辆轨迹。为此,借鉴植物根系生长模式和其形态结构建模方法,对传统的L系统作了推广,提出时空广义L系统的概念,增加了时空符号、方向符号、行驶时间以及概率符号,使得系统能够很好刻画具有时空性、异步并发性、随机性和自相似性的车辆轨迹以及生成的道路路网。利用时空广义L系统对道路路网的形态结构进行建模,用其生成语言对车辆轨迹进行形式化描述,并结合动态灵活的数据结构设计道路路网的生成算法。相关案例分析表明该模型能够克服道路路网结构建模的同步、静态等缺点。2、车辆行驶轨迹的概率计算。通过对海量车辆轨迹序列数据进行挖掘分析,实现对车辆行驶路径的预测。具体研究方法如下:在时空广义L系统的基础上,结合离散马尔科夫链对车辆所处的状态建立数学模型,构建一个联合系统,将车辆轨迹序列变换为离散马尔科夫链的状态序列,从而运用离散马尔科夫链的转移概率给出计算车辆轨迹序列的概率公式。该工作将对道路交通事故起到很好的预警作用,也可以结合公安大数据在刑事侦查中起到从人到车再到案的研究判别分析作用。3、车辆类别挖掘算法。基于车辆历史轨迹数据,根据车辆的类型、车牌颜色以及它们的轨迹是否存在周期模式等特征,分别定义私家车、的士类以及公交车三种对城市交通有着重要影响的出行方式车辆,并基于这些定义提出相应的挖掘算法。基于卡口视频监测点得到的大量车辆轨迹数据,以某个市某一周的车辆行驶数据来验证所提出来的车辆定义以及挖掘方法的有效性,该方法可以应用于对人们出行交通方式的相关研究。将车辆类别挖掘算法与兴趣点(Point of Interest,POI)相结合,以居民小区为例综合分析人们选择交通出行方式的潜在原因。