城市中的交通违法行为是导致交通事故、交通拥堵等道路交通问题的直接原因,严重威胁城市经济发展和人民生命财产安全。这些交通违法行为的时空分布呈现了显著的聚集性,在道路网络中形成了一个个交通违法时空热点,通过有针对性地对这些交通违法热点进行监管治理可以极大地缓解交通违法问题。而智慧城市建设的推进带来了各类空间群智大数据,为交通违法热点的探索提供了新的机遇。因此,基于空间群智大数据,本文提出了交通违法热点的识别、诊断与预测框架,具体研究内容如下:第一,基于群体行为分析对交通违法热点进行识别。首先,利用地图匹配算法将群智大规模车辆轨迹数据标准化,从中提取驾驶行为。其次,利用回归算法对驾驶员视角进行建模,基于群智道路环境数据还原驾驶行为的上下文情境,从中提取对应的交通规则信息从而识别交通违法行为。最后,对交通违法行为提取其时空分布特征,得到交通违法热点分布。第二,基于跨域数据融合对交通违法热点进行诊断。首先,利用时空聚类算法选取典型交通违法热点地区。其次,融合群智道路环境数据和三维激光雷达点云数据搭建模拟驾驶试验场,进行模拟驾驶实验,研究交通标志标线的可见性和可理解性与交通违法行为的联系,生成交通违法热点诊断指标。最后,基于这些指标建立交通违法热点成因诊断模型实现交通场景的自动化诊断。第三,基于时空情境建模对交通违法热点进行预测。首先,从群智道路环境数据中提取交通违法热点的时空情境特征对交通违法热点进行建模。其次,结合三协同训练和主动学习模型对交通违法热点的违法程度进行预测。最后,基于预测的结果,对覆盖交通违法热点的巡逻路线进行优化。本文在真实的空间群智大数据上进行了实验和案例研究,实验结果表明本文提出框架能够全面有效地对交通违法热点进行识别、诊断和预测,帮助交通管理部门全面掌握城市中的交通违法热点动态、改善交通基础设施建设、优化人力物力资源调配。