随着国民经济高速地发展以及城市交通设施不断地完善,机动车数量急剧增加,导致交通状况日趋紧张。自2014年至2018年来,个人注册并使用的私家车数量庞大且保持着10%以上的年均增长率。伴随着移动感知技术的广泛普及,车载终端能够大规模地采集交通活动派生出来的时空轨迹数据。然而,获取到的时空轨迹数据中的移动轨迹部分大都局限在道路路网中,总体呈现出数据规模庞大、价值密度低等特性,导致数据处理更为复杂,使得时空轨迹数据分析任务日趋繁重,相比之下,车辆经历停等时产生的轨迹数据具有少而精的特点。因此,挖掘私家车停等轨迹数据特征能够高效地分析城市交通状况。由于轨迹数据在空间区域内往往容易产生聚集效应,形成热区。而现有的交通流预测技术只能局部获悉交通流增加或减少的趋势变化。为此,本文根据私家车停等轨迹数据量少、价值高等特性,采用私家车停等聚集效应的分析技术,全局感知城市区域内的交通状况变化的过程,准确地预测未来停等聚集效应的演变趋势,并推断热区的形成机理。主要的工作包括:针对停等轨迹数据采集难的问题,本研究使用一种基于GPS和车载诊断(OBD)的数据融合新技术,该技术通过融合GPS定位信息和OBD中的车辆状态信息,来高效地收集私家车停等数据,并对其进行了异常点剔除数据操作。为准确地预测未来的私家车停等聚集效应的演变趋势,本研究提出了一种基于时空核密度估计(3D KDE)的聚集效应预测方法,该算法将以“天”为单位的原始停等点表达为具有时空关联性的停等分布,来跟踪不同区域不同时间范围内的热点区域形成,同时通过随机变量域的线性特征组合获得具有长期依赖性的停等分布时空模型,以更好地感知未来的私家车停等聚集效应。实验证明,该方法不管是在停等聚集效应可视化方面还是KL-divergence,MAE和RMSE三个评价指标上,都优于最大期望算法(EM)、Voronoi算法。针对3D KDE模型在训练过程中,以“天”为单位的数据获得的模型参数量大,且具有长期依赖性。因此,本研究提出一种基于时空卷积神经网络(3D CNN)的算法来预测未来私家车停等聚集效应的演变趋势。该算法把连续多天的停等数据时序化为以“时”为单位的停等密度矩阵,并通过3D CNN算法将停等密度矩阵的预测转化为视频预测(Video Prediction),从而降低了模型训练的代价,并且以具体的停等数量来呈现聚集效应的结果。实验证明,该算法优于支持向量回归算法(SVR)和梯度提升树算法(GBDT)。