移动传感器和网络通信的发展,同时辅助以全球定位系统技术,使得采集的海量轨迹信息成为构建城市智能交通系统的丰富数据来源。城市智能交通系统涵盖交通拥堵传播模式挖掘和目的地预测等研究分支,前者可应用于出行路线规划等场景,而后者致力于提升出租车调度系统和城市定向广告投放等的运作效率。因此,本课题针对性改善已有研究工作,通过拓展经典聚类模型,提出基于时空聚类的城市交通拥堵传播模式挖掘模型ST-CPMC(Spatio-Temporal based Congestion Pattern Mining Clustering)和基于自适应聚类的目的地预测框架STMAC(Separated Trajectory Movement and Adaptive Clustering)。传统拥堵传播模式挖掘研究工作缺乏在宏观层面并以时空拥堵子图表征拥堵传播规律的研究,因此,本课题针对性提出以时空聚类为核心的ST-CPMC模型。具体地,其首先以拥堵网格为单元在空间维度执行聚类过程,以得到覆盖若干拥堵区域簇的拥堵子图快照;其次,以拥堵子图快照为单元进一步在时间维度通过合并聚类传播拥堵子图快照,考虑到拥堵传播模式的特殊性,合并聚类过程被分解为构建拥堵子图快照索引邻接表、循环合并拥堵子图快照及其索引邻接表以及执行拥堵子图快照拥堵网格簇层面的合并操作这三部分,最终产生时空拥堵传播模式集合,以表征交通拥堵时空传播规律。已有的基于推导候选位置概率以获取目的位置的目的地预测方法显式忽略了城市功能分区所导致的轨迹数据异构分布的特征,因此,本课题针对性提出以自适应聚类为核心的目的地预测框架STMAC。具体地,其首先依据轨迹移动趋势将原始轨迹集合粗分成若干类别,然后对每个轨迹分类执行一个自适应聚类过程,以发现细粒度的附有权重值的局部簇作为候选目的位置,最终通过对轨迹分类器产生的前若干个候选位置执行加权操作以获得更准确和更合理的目的地。一个基于实际轨迹数据集的交通拥堵传播模式挖掘案例分析的结果表明,ST-CPMC能有效挖掘出宏观层面的城市交通拥堵传播规律,并定位关键拥堵传播网格,这可为交通部门提供诸如调整对应路段交通管控措施等参考方案。在两个实际轨迹数据集上对STMAC及对比方法的实验评估和分析表明,STMAC的目的地预测的平均误差和精度显著优于对比方法,这表明STMAC适用于轨迹数据异构分布场景下的目的地预测任务。