时空轨迹数据本质上是随时间不断变化的空间位置信息。不断普及的位置收集装置使得轨迹数据日益丰富,给智能交通等领域带来了新的机遇,让我们有可能实现路况的实时监控和预测,从而缓解当下大城市普遍存在的交通拥堵等问题。然而这种数据固有的一些特点,让传统方法在实际应用时显得力不从心。为了解决轨迹数据无标签以及数据稀疏的问题,本论文有如下两点创新:1.提出了一种面向无标签轨迹监控的概率图模型,该模型直接面对轨迹数据中常见的无标签特点进行建模,适用于隐含变量未知,同时观测值无法直接获取的数据,而后给出了基于条件迭代模式的推断算法,充分利用了观测值与隐含变量之间的关系,交替对二者进行更新,从而实现了观测变量和隐含状态的联合推断。2.提出了一种面向稀疏轨迹预测的神经网络模型,该模型主要为了解决轨迹数据中的稀疏性问题,适用于训练样本中包含大量缺失值的数据集,并且能够实现这种情况下的时间序列分析。该模型同时关注缺失值的填补和对下一时段的预测,通过联合训练算法对参数进行更新,进而避免了误差的级联传播。本论文在智能交通领域对这两种建模方法进行了验证。首先将概率图模型运用到了通行时间分配问题上,对交通信号灯之间的关联关系进行了细粒度地刻画,从而得到更准确的通行耗时。然后将神经网络模型运用到了道路速度预测问题上,利用矩阵分解不断对缺失值进行更新,同时训练循环神经网络,从而准确地预测道路未来的速度。实验结果表明,这两种建模方式在智能交通应用上均有不错的表现,克服了时空轨迹数据本身固有的一些缺陷,弥补了现有方法的不足。