随着全球气候变化的加剧与城市化进程的加快,极端降雨事件的频率和强度都进一步增加。暴雨引发的城市内涝灾害,往往造成城市交通中断、经济损失,甚至是人员伤亡。因此,如何在降雨过程中捕捉道路交通异常,掌握强降雨事件对城市交通及人群的影响,对降低道路交通风险和保障城市运营具有重要意义。随着浮动轨迹数据、图像监控数据等多源感知数据的丰富,道路交通的研究有了新的视角和数据基础。鉴于此,本研究结合浮动车轨迹等多源数据,构建了城市道路交通异常发现模型,深入分析了暴雨天气下城市道路交通异常规律,并总结地理环境以及道路特征,利用机器学习算法探索具有相似特征的道路,实现积水道路的发现。主要研究内容和成果如下:（1）基于海量多源数据,分析了面向暴雨情景下道路交通异常识别研究的数据框架,实现对浮动车轨迹数据、微博等社会感知数据、降雨以及积水等气象水文数据的预处理,去除了轨迹数据中无效、错误、冗余以及停驻数据,完成了轨迹数据与道路矢量数据的地图匹配,并实现了轨迹数据的持久化。（2）结合浮动车轨迹、降雨数据以及微博数据,利用孤立森林异常检测算法检测道路中的交通异常,并根据异常发生的时间、频率、交通特征表现等因素,将道路异常分为常发型异常、偶发型异常以及降雨型异常,并通过对比分析各道路异常的交通特征,得出降雨型道路异常与道路积水之间的定量关系。（3）在发现道路交通异常的基础上,总结地理环境以及道路特征,并基于随机森林算法选取与积水道路最相关特征,根据选择的最相关特征利用GA-BP神经网络训练积水道路发现模型,并利用微博数据对模型进行评估,实验结果表明,该模型对微博中提及的积水道路识别率为80.23%,有效发现了暴雨情景下的道路积水,有助于降低暴雨天气下城市出行的风险。