技术的革新以及交通大数据的发展为利用交通出行信息实施主动交通管理带来了机遇和挑战。卡口车牌识别设备的广泛布设、停车系统的智能化等都为交通运营管理者提供了大量的多源出行数据,如何整合不同数据源信息,挖掘出行轨迹,以及利用轨迹数据成为主要问题。然而,在现有的理论中,对车牌识别数据的轨迹划分方法仍然较为原始,实际的交通状态适应性不强;轨迹重构方法常常使用最短路径法,难以长期的适应交通状况的变化;动态OD估计方法中对于轨迹数据信息的应用也存在不足。基于以上问题,本研究基于车牌识别数据、停车场数据和高速公路收费等多源数据,以统计学原理、Seq2Seq框架序列映射模型、最小二乘动态OD估计模型为主要手段,基于深度的编程对出行轨迹进行了深入的分析、挖掘和应用,开展了包括轨迹划分方法、轨迹重构方法和轨迹数据驱动的动态OD估计方法研究。主要内容总结如下。（1）对车辆的轨迹点进行了深度分析,确定了轨迹数据中待划分的轨迹类型。并利用3σ法则建立了动态时间阈值轨迹划分方法。分析车辆在路网上的运行特征,利用原点转向角和轨迹点转向角的概念,从空间上判断车辆的掉头行为,建立空间阈值轨迹划分方法。随后,提出了结合动态时间阈值法和空间阈值法的出行轨迹划分算法,并利用该算法实现了对车辆轨迹的划分,得到初始轨迹序列。（2）将Seq2Seq框架引入到车牌识别数据轨迹重构问题中,参考自然语言问题中涉及的序列映射思想,提出基于Seq2Seq-LSTM的轨迹重构方法。除此之外,本文通过计算不同时段种路段的平均出行时间,利用最短路径法重构了车辆轨迹,得到完整轨迹序列。利用初始轨迹序列和完整轨迹序列对Seq2Seq-LSTM轨迹重构模型进行训练和性能评估。结果显示,在轨迹点缺失数量较少的情况下,模型具有较高的精度。（3）分析路径流量与路段流量的动态映射关系,以最小化路段流量估计值与观测值的误差,以及最小化OD量估计值和观测值为目标,建立了基于最小二乘理论的、数据驱动的动态OD估计模型,并利用L-BFGS-B算法对模型进行求解。在模型求解过程中,以重构后的轨迹数据得到的OD量为先验OD,利用重构后的轨迹数据参数,考虑不同时段路段的出行时间,计算得到动态OD估计中涉及的路径选择概率、动态分配率等主要参数。结果显示,在考虑了轨迹数据特征后,动态OD估计模型的误差较小。本研究改进了基于多源数据的轨迹划分方法和轨迹重构方法,并将真实的出行轨迹特征应用到了动态OD估计模型中,形成了一套完整的基于多源信息的轨迹数据挖掘与应用的方法。研究成果可用于挖掘车辆轨迹、估计动态的出行需求,为交通运营管理部门提供动态的信息支撑,有利于实现主动交通管理与控制。