在智能交通的数据分析中,车辆的运动路径,即车辆轨迹。对车辆轨迹进行预测成为当前的研究热点,旨在将智能信息技术应用于交通系统中,对用户行为、交通路网特征等信息进行研究分析,为用户提供更加高效的出行体验。然而,交通网络结构的复杂性、车辆轨迹特征的多样性以及历史轨迹数据中存在的数据缺失问题,给智能交通中车辆轨迹预测任务带来了困难与挑战。如何准确地分析路网结构,探究车辆轨迹选择规律,补偿缺失轨迹数据是当前需要解决的难题。为解决相关问题,本论文从以下两个方面进行研究:结合车辆行为模式、路径点间的时空关联性等影响因素,对短时轨迹预测方法进行研究;结合轨迹相似性和用户相似性,对缺失数据补偿方法进行研究。本论文的主要研究工作和贡献如下:1.针对智能交通中交通路网复杂的时空关联性以及车辆行为的多样性,提出并设计了一种短时车辆轨迹预测方法。首先,引入词嵌入思想对路网的时空关联性进行分析。然后,利用深度信念网络较强的无监督特征学习能力,达到提取车辆轨迹局部空间特性的目的;最后,针对轨迹的时序特性,本文利用当前轨迹集的时空特征向量进行短时车辆轨迹预测,并针对路网中同一个目的地下路径存在多样性的问题,采用权重聚类的方法对结果进行了优化。2.针对实际轨迹数据中存在的数据缺失问题,首先根据用户的时序轨迹信息,对每一条轨迹进行按时间段划分,寻找关键节点,以此将轨迹划分为关键点序列;然后,引入编辑距离对关键点序列之间的轨迹相似性进行度量,提出一种基于轨迹时间特性和关联性的用户相似度计算方法,对用户之间的相似性进行衡量;最后,结合轨迹相似性和用户相似性,为每一条轨迹进行缺失节点补齐。最后,通过城市真实过车数据集进行实验验证。实验表明,本论文采用并优化后的轨迹预测方法能够很好地结合路网结构和时空特性,对车辆的轨迹进行短时预测,还能针对数据集中存在的数据缺失问题,充分利用轨迹相似性和用户相似性对缺失轨迹进行有效地补偿。