我国的城镇化正处于长期而高速的推进进程中。高效合理地开展城市规划工作,是保证高质量城镇化的重要手段。然而,城市规划在当下仍存在若干困难。首先,规划工作离不开对城市现状的感知和信息收集,而当前城市信息主要依赖人力线下收集,不仅耗费大量人力成本,更影响了规划进度;其次,规划方案主要依赖于调查和简单规则等传统方法完成,导致所规划设施的使用率不足,或供大于求。党的十九大明确提出,“要推动互联网、大数据、人工智能和实体经济深度融合,建设智慧社会”,为智能化的城市规划指明了方向。随着移动互联网应用的普及,轨迹数据在城市中不断地产生,实时地感知城市的运转,并蕴含着人群的出行规律和需求,为城市规划带来新的机遇。本工作围绕着轨迹数据,来研究城市规划中的城市信息感知、规划方案制定这两方面问题,具体的工作和贡献包括:首先,研究基于轨迹数据的地理实体别名发现方法,使规划者更准确掌握城市地理现状。针对传统的人工标注成本高的缺点,提出基于轨迹的驻留点结合地址数据,来发现地理别名的算法框架。本文定义了地名文本的群体移动画像概念,该画像能有效刻画地名对应实体的空间特征;其次,提出了局部区域定位算法及其估计算法,并借由该算法设计了以局部-全局的模式工作的深度孪生神经网络模型,能够从庞大而稀疏的群体移动画像中有效地学习隐式表征,同时保持模型输入规模的轻量化。该方法能高准确率地识别地理别名,大幅减轻人力标注成本。其次,研究基于轨迹数据的车道违规占用检测方法,帮助规划者精准地为占用者扩充配套设施,提高用地效率。目前依赖人力巡逻、辅以低覆盖度视频监控的手段,不足以进行高效且大范围的检测。针对该问题,提出了一种普适的利用单车轨迹的城市细粒度异常检测框架。一方面设计了针对低速非机动车轨迹的时空特性的轨迹清洗算法和路网匹配算法,并以路网匹配结果进行子轨迹聚合来捕获异常事件引起的轨迹细微变化;另一方面,为应对标签数据缺失问题,提出基于分布一致性假设检验的单类学习模型来完成异常检测。该方法无需人力参与,而能有效地捕获收集事件发生的位置,且能大幅提高巡警效率。再次,研究轨迹驱动的网状设施规划方案推荐。传统规划使用低效问卷调查,且具体方案定制取决于经验或简单规则。区别于点状设施规划,本文聚焦于自行车道、路灯等沿路网状设施,定义了轨迹驱动的网状设施规划问题,并证明该问题是NP难的。为此,本文通过对轨迹数据分布特点的深入分析,提出基于轨迹密度聚类初始化策略的启发式子图扩展算法,并验证该算法在规划自行车道这一实际应用场景上的有效性;同时,提出轨迹增益值索引,并针对该算法设计分布式计算框架,提高算法时间效率和可扩展性。最后,研究基于跨城市轨迹生成的出行分布推演。出行设施规划依赖于当地轨迹数据,然而在城市较新或互联网应用欠发达时,获取轨迹数据是困难的。针对该问题,提出跨城市轨迹生成方法,在仅有如路网、兴趣点等空间结构信息的城市生成轨迹,替代真实轨迹来完成规划。首先引入了出行意图空间概念,在该空间,各城市的起始点-终点分布相近;其次,验证了域泛化假设在建模统一城市出行意图上的适用性,由此建模目标城市的出行意图生成模型;最后,提出一种基于候选路线生成和路线偏好排序学习的起终点间路线生成模型,得到各条轨迹的生成概率。轨迹热力图对比以及定量的分布误差对比都验证了本方法在跨城市轨迹数据生成任务上的有效性。