智能交通系统的发展对缓解城市交通拥堵，提高城市居民生活质量具有重要意义，而准确、完备的交通信息是各类智慧交通应用的基础。由于铺设和维护成本过高，传统基于固定传感器的交通信息采集系统难以实现全路网覆盖，而基于车载GPS、移动互联网等技术的浮动车技术，因其成本低、对路网覆盖广等优点逐渐受到国内外学者关注。本研究以北京市1.2万辆出租车轨迹数据以及北京市六环以内路网交通流为研究对象，研讨如何高效地从浮动车数据用提取高质量的交通流信息，研究路网交通流时空特征以及将其应用于实时交通应用的方法，通过真实的海量浮动车数据以及其他交通数据对研究结果进行了验证。本文主要研究工作主要包括以下几个方面:　　1、海量浮动车数据预处理技术研究。提出一种基于轨迹数据的路网拓扑错误检测方法，对真实路网数据进行拓扑修复，为后续应用提供具有良好拓扑结构的路网数据;探讨浮动车数据的存储方式以及冗余数据的过滤问题;面向海量浮动车数据构建地图匹配模型，相对传统方法，采用基于预处理的路径分析算法，在不损失精度的情况下大幅提升模型匹配效率，为浮动车数据实时应用提供保障。　　2、基于FCD的路网交通流时空特征分析。对海量浮动车轨迹数据进行分析，提取出路网交通流时空特征，时间特征包括路网交通流周期性特征和相邻时段交通流状况变化特点;空间特征方面，分析对比了传统的基于邻域关联性分析的交通流空间特征和基于全局关联性分析的路段间交通流相似关系，通过实验证实基于聚类、分类和频繁模式挖掘得到的路段间交通流相似关系更具有代表性，适合应用于交通流参数估计、预测等应用中。　　3、面向浮动车数据时空稀疏性的交通流参数估计。以北京出租车数据为例分析浮动车数据时空稀疏性特征，针对样本缺失路段，构建基于HMM的交通流参数估计模型，依据路网交通流时空特征设计模型参数，对基于邻域关联性和全局相似性的模型进行对比分析，进一步验证路网交通流全局关联性的应用优势，针对不同数据稀疏程度验证模型的应用成效。　　4、基于路网交通流时空特征的异常检测算法。讨论传统交通流异常检测方法的局限性，基于时间序列预测的异常检测方法只适用于拓扑结构简单、周期性特征明显的主干道和快速路，基于时空格网和LRT的异常检测是以交通流时空均质性为前提，不符合实际的交通流时空特征，本文依据路网交通流时空特征设计交通异常检测模型的参数，能更准确地检测和跟踪交通异常，并搜集了真实的城市突发事件数据与研究结果进行对比验证模型切实有效。