随着汽车数量的逐年增长对城市交通造成越来越大的压力,一个高效准确的智能交通控制系统对整个城市具有重大意义。大数据时代的来临使得如何从海量交通数据中获取有效信息为群众提供出行路线的指导和建议成为了具有挑战性的课题。传统的路径推荐工作无法在推荐过程中考虑未来的交通状况,推荐结果缺少灵活性和预见性;另一方面,地图匹配模块是各类交通数据模型的必备组件之一,提供了将车辆采样轨迹转换到路网路径的重要功能,但现有的地图匹配工作大多依赖高成本高精度的卫星定位信号,无法有效利用大量低成本高噪声的蜂窝轨迹信号来进一步帮助智慧交通控制系统。针对上述问题,本文的主要贡献包括以下三个方面:1.一种低频高噪声的蜂窝数据地图匹配模型。针对当前地图匹配方法无法高效准确地处理低频高噪声的蜂窝基站轨迹的问题,使用了动态候选算法等改进以提高匹配的速度,同时使用候选拓展来实现了维特比算法的层间跳跃,提高了匹配的鲁棒性,在精度与速度上有了显著提高。2.一种基于图神经网络的交通流量预测模型。针对大多数模型忽略底层路网的复杂结构、过度依赖启发式方法来构建预测区域的问题,提出了区域-道路时空图网络模型,将路网空间建模为双层结构并使用压缩注意力模块来提取空间特征,同时利用阈值结合道路注意力来滤除原始数据中的噪声,提高了交通流量预测的精度。3.一种考虑未来交通状况的动态路径推荐模型。该模型利用大量历史行车轨迹来训练了路段耗时预测和路段降速预测两个子模块,提出候选划分算法来降低在开放路网空间中的搜索成本,最后在结合维特比算法,利用动态的未来路段预测信息来进行最优路径的推荐。