近年来,人们对交通和出行需求越来越强烈,智能交通研究成为热点。高效的智能交通带来了出行便利,提高了行车安全和运输效率。然而,随着经济和人口的发展,也带了相关问题和挑战:（1）使用全球定位系统采集到的轨迹数据地理位置与真实地理位置之间存在固有误差和随机误差,随着低频采样数据越来越多,还原真实轨迹难度进一步增加。（2）城市汽车越来越多,城市拥堵成为一个严重的问题,如何调动现有车辆提高潜在运力,对缓解城市拥堵,减少乘客出行成本,提高司机收入有重要意义。（3）随着人们生活节奏加快,准确的行驶时间估计成为关注的问题,如何处理影响出行时间的海量的、复杂的、多种类的数据,如何提供准确的时间估计,使出行人员可以提前规划好路线、节约出行成本、减少交通出行盲目性。本文主要研究贡献如下:1.提出了一种基于隐马尔可夫模型的多因素地图匹配方法。该方法综合考虑了采样点与候选点之间的距离、采样路段与候选路段之间的角度、车辆速度与道路限速、路网拓扑结构因素,提出了一种统一描述转移概率的凸函数,并使用快速维特比算法求解最优候选路径。实验结果表明此方法可以有效地减小采样数据位置与真实位置之间的误差,为其它轨迹数据研究打下基础。2.提出了一种有效的动态多乘客共享共乘模型。引入了一种路网网格分割方法,降低了计算最短路径和最短距离的时间。采用了一种同时考虑距离和时间的路径相似方法,目的在于挑选最优乘客。使用了一种多分树的方法,组合司机和乘客的接载和送达次序。为提高运行效率,提出了一种二步树剪枝方法,减小可能解搜索空间。实验结果表明该模型可以有效地解决动态多乘客共享共乘问题,提高司机共享路径比和减少乘客等待时间,提高城市整体车辆资源利用率。3.提出了一种基于深度学习的端到端行驶时间估计方法。该方法联合利用了CNN和LSTM,分别抽取轨迹数据空间特征和时间特征,并引入了注意力机制,用于判断不同路段对行驶时间影响的权重,此外,综合考虑了外部因素,如天气、时间元、道路类型对行驶时间的影响,最后统一融入训练模型。实验结果表明该方法显著优于一些当前先进的基准方法,鲁棒性更好。