智能交通系统(Intelligent Transportation System，ITS)是交通管理与控制由工业化时代进入信息化时代的标志，相关理论研究和技术应用极大地提高了系统的运行效率和安全性。然而随着交通系统规模和结构的不断变化，ITS由于缺乏智能性而进入技术发展瓶颈，因此需引入新一代智能化交通管控理论和技术体系。在此背景下，平行交通(Parallel Transportation or Transportation5.0)被正式提出。作为基于软件定义的交通系统、线上线下的计算实验和知识自动化的闭环平行控制于一体的智能化系统管控体系，平行交通将引领交通系统的管控由信息化时代跨入智能化时代。　　交通数据的智能化处理与分析是平行交通系统研究的重要组成部分，具有重要的理论研究意义和实践应用价值。ITS的研究对象主要集中在物理空间，平行交通系统在此基础上通过空间扩展实现智能化。具体地，已有研究工作主要面向基于物理传感器采集的结构化数据，考虑到采集该类型数据在经济和时间等方面的成本较高，论文以人工交通数据生成为基础，开展基于平行数据的交通数据智能化处理与分析研究。进一步，论文将研究工作扩展到基于社会传感器采集的非结构化数据，开展基于社交媒体文本的交通相关信息的提取研究。论文的主要工作及创新点包括以下几个方面:　　1.提出了一种基于对抗网络的交通数据生成方法。相比于现有方法中利用随机变量作为生成器的输入隐编码(latent code)，考虑交通数据的时空关联特性，提出利用真实数据或加入噪声的真实数据作为生成器的输入隐编码。根据人工交通数据生成目的，提出利用重建误差限制生成数据偏离其对应的真实数据的程度。设计了交通数据生成模型的网络结构和参数训练算法，并通过实验评估了所提出方法的可行性和有效性。　　2.提出了一种基于平行数据的交通数据弥补方法。基于小规模真实交通数据，利用生成对抗网络模型合成大规模人工交通数据，设计了基于平行数据的交通数据弥补实现机制及对应的模型参数训练算法。最后，论文针对离散和连续缺损的交通流量弥补问题分别设计了计算实验，并从检测器、时间段等多个维度比较了交通流量弥补方法的性能，实验结果表明，与仅利用真实数据的交通数据弥补方法相比，基于平行数据的交通数据弥补方法是有效的，且显著地提高了交通弥补的性能指标。　　3.提出了一种基于平行数据的交通预测方法。针对交通数据序列中的动态特性，提出了基于长短记忆(Long Short-Term Memory，LSTM)模型的交通预测方法。基于小规模真实交通数据，利用生成对抗网络模型合成大规模人工交通数据，设计了基于平行数据的交通预测实现机制及对应的模型参数训练算法。最后，设计了交通状态预测实验，验证了基于Stacked LSTM模型的交通预测方法的有效性和优越性，并设计了基于平行数据的交通流量的预测实验，实验结果表明，与仅利用真实数据的交通流量预测方法相比，基于平行数据的交通预测方法是有效的，且显著地提高了交通流量预测的性能指标。　　4.提出了一种社交媒体文本中交通相关信息的提取方法。针对社会交通信息的非结构化特征，将交通相关信息的提取任务转换为分类问题。考虑到用户自主产生的社交媒体短文本内容中话题分布广泛又包含大量噪声的特点，提出了利用在大规模未标注数据集上训练得到的语义词向量表示社交媒体文本，并运用卷积神经网络(Convolutional Neural Network，CNN)模型、LSTM模型以及基于LSTM和CNN的集成模型LSTM-CNN提取深层特征，然后利用特征分类方法实现对交通相关信息的提取。最后，设计了基于新浪微博文本的交通相关信息提取实验，验证了论文方法的有效性和优越性。