随着我国城市化进程的发展,居民出行的需求量逐年提高,低速的交通道路资源的增长无法满足人们快速增长的出行需求,交通拥堵扩散问题成为了困扰各大中小城市的主要问题之一。交通拥堵问题不仅会给人们的出行带来不便,还会导致环境污染,阻碍社会经济的发展,因此研究交通拥堵扩散问题具有重要的应用价值和现实意义。然而城市道路系统复杂多样,并且城市交通受多种因素的共同影响,城市交通的研究需要从多角度、全方位对整个城市进行全面认识,多源数据为研究城市交通拥堵扩散提供了机遇。但是城市交通中的大数据存在有数据稀疏、缺失、倾斜和异构的问题,数据融合技术在城市拥堵的研究中,还往往停留在数据加工与预处理、相关性分析或者直接融合阶段,忽略了影响交通各个因素在时空上的动态变化过程。因此,本文基于城市大数据,探究复杂交通环境下的数据融合技术,对城市交通拥堵扩散及其相关问题进行研究,主要研究内容包括:1.提出基于权重分配方法的同构多源数据融合模型:针对复杂交通环境下乇乐乓数据具有数据倾斜、数据稀疏、数据缺失和数据偏移等问题,提出了基于权重分配方法的同构多源数据融合模型。模型根据多源乇乐乓数据的数量和质量动态调节各个数据在融合时的权重,可以有效地提高城市道路路况数据的覆盖范围,填补缺失数据。2.提出基于分支-转换-融合策略的异构多源数据融合模型:针对城市大数据的多源、异构问题,提出了基于分支中转换中融合策略的深度神经网络结构,不同类型数据输入到不同的分支结构,有效提取影响城市交通的各个因素的时空特征,在模型中,采用数据嵌入和参数共享机制,有效地解决了城市大数据限制下模型复杂,训练困难的问题,保证了模型的可扩展性。3.提出基于多源异构数据融合的交通拥堵扩散模型:针对复杂交通系统中由于道路异构问题带来的拥堵不能定义的问题,提出了基于数据驱动的交通流影响模型,在数据中学习拥堵的判定阈值,同时提出了从交通流影响的角度来研究交通拥堵的扩散,构建交通拥堵状态演变过程中同时伴随拥挤度更新的扩散模型,有效地刻画了交通拥堵的形成、扩散和消散的过程。4.提出基于影响最大化的交通瓶颈识别模型:针对传统交通瓶颈识别存在局部性或者静态性的问题,提出了基于影响最大化的交通瓶颈识别模型。从交通流影响最大的角度对传统的交通瓶颈定义进行了更大范围的扩展,基于交通拥堵扩散模型,从影响最大化的角度动态的识别整个城市的交通瓶颈。为了提高交通瓶颈识别的效率,提出了基于潜在影响交通拥挤度的种子节点诱导选择策略。