随着经济和社会的不断发展,城市车辆急剧增加,使得传统的交通系统出现了越来越多的问题,交通拥堵、空气污染、交通事故成为了大家关注的热点。与此同时,人们对于出行质量的要求也在不断提高。为了能够应对这些交通难题,智能交通系统便应运而生,而且在近几年得到了飞速的发展。智能交通系统通过结合信息技术和交通技术,提出了一系列解决当前交通问题的方案,并且取得了一定的效果,在缓解交通拥堵、提高出行质量等方面都显示出了巨大的价值。在智能交通系统中当前研究的热点问题之一是交通异常分析。然而,传统的交通异常分析存在着种种问题,比如,现在很多的异常监控都通过人工检测,不但无法对交通数据作出科学性的分析与研究,同时还具有准确率低、延时性高等缺点。因此,研究者都在积极的寻找新的异常数据分析方法用来取代过去的传统方法。本文通过对现有数据学习算法进行研究分析,并结合城市交通流的特性,提出了一套对于交通数据异常分析的方法与流程,并确定以K-means方法为出发点的数据研究方向。此方法通过分析车辆数据的特征,结合真实数据的验证,对原始的、模糊的车辆数据进行了标签化的处理。同时提出了模型的镜像化处理,用于模型针对不同地区特征的数据作出自适应性改变。最终达到高准确性聚类交通数据的目的。本文还基于标签化后的数据,建立了异常分类模型,旨在于实际运用中,对实时的交通数据进行异常可能性判断。本文还提出了以线性回归为基础的异常判断模型。同时,针对交通数据特征,为了提高模型的分类准确性,提出了参数去共线性,将交通数据集转化为适合线性回归分析的数据集,最终提高了在交通研究方面的线性回归模型准确性。通过对实验结果的分析,本论文提出的方法与流程能够在一定程度上有效的解决交通数据的异常分析问题,帮助研究者对原始交通数据进行初步的认知,并对实时交通数据进行分类与识别处理。