城市路网是一个开放的高复杂性系统,评估其健康状态,把握其运行脉搏对于提高整个交通系统的效率至关重要。一直以来,研究者依赖各种物理模型、微观仿真等方法来揭示路网的运行机理,取得了较多研究成果。随着感知和计算技术的蓬勃发展,城市中各种大数据悄然而至,特别是被誉为“城市移动传感器”的出租车在行驶过程中所汇集成的大规模轨迹数据,蕴含了丰富的路网动态信息,为我们提供了前所未有的契机来智能化的检测、分析和评估路网的运行状态,同时也对现有的数据分析技术和方法提出了新的挑战。本文围绕轨迹数据的挖掘技术,针对低采样率轨迹数据的地图匹配、路网关键节点的识别、路网异常事件的检测和区域连通性评估等一系列重要问题展开研究。这些研究成果在优化交通流的控制与疏导、改善路网的规划、提高路网的应急响应能力等方面有较好的学术价值和应用价值,为路网的智能化运行提供了必要的技术支撑。本文贡献、创新点主要体现在以下几个方面：(1)在轨迹数据预处理技术方面,提出一个针对低采样率轨迹的离线地图匹配方法。该方法采用了条件随机场模型,其能够为重叠的、非独立的特征提供灵活的支持。基于这个优点,本文引入了采样点的时间相关性特征并将其与空间特征进行融合,大幅度提高转移特征的分辨能力,同时发现对于采样率过低(采样间隔3分钟以上)的轨迹样本,其时空上下文无法提供足够的差异化信息以确定其匹配的路线,本文进一步通过挖掘路径偏好来弥补时空特征区分能力不足。在真实轨迹数据集上的实验验证了该方法的有效性。(2)为了解决路网关键节点的识别问题,本文提出了一种三部图模型来刻画出行网络,从而充分利用了从车辆轨迹数据中提取的流量、出行需求、路径选择经验以及拓扑等信息。在此基础上,分别提出了两种数据驱动的关键节点识别算法。1)基于流量和OD熵的计算方法,能够在节点流量及其枢纽程度两种因素之间做出合理的权衡,2)基于特征向量计算的方法,其利用了三部图节点之间的互增强关系,不仅结合了流量和枢纽程度两个因素,同时还兼顾了路径的不可替代性和距离影响,并且在对节点排序的过程中,还能够计算出对路网负载较大的OD对和路径。在合成数据和真实数据上的实验结果表明,本章提出的两个方法均能有效的解决路网的关键节点识别问题。(3)针对现有的异常检测方法无法检测多种类型的路网异常,以及在路网这种复杂多变的环境中检测效果不佳的问题,本文提出了一种基于滑动窗口快速张量分解的异常检测方法。该方法首先从大规模轨迹数据中提取交通流量信息,将其表示成3阶张量,然后通过张量分解技术来获得交通流在多个模式互相重叠作用下的主要变化趋势。该方法具有以下3个特点：1)结合了滑动窗口和快速SVD分解技术(IFAST),每次只需计算更新的部分数据,能同时保证计算效率和分解质量,满足实时检测的需求。2)同时结合空间、时间和历史三个模式上的综合交叉分析,可以有效地检测出多种类型的异常；3)能够实现全路网范围的异常检测。此外,本文还提出了一个基于流量和稀疏性特征的异常OD推断方法,能够准确的推断出任一类型异常的关联OD,为进一步分析异常原因提供参考依据。(4)提出了一种基于车辆轨迹数据的区域连通性评估方法。该方法首先从出租车轨迹和电子地图中提取区域间旅行的速度、距离等度量信息并进行归一化,然后用它们在二维坐标系中对应的矩形面积来表示该区域对的连通能力,考虑到轨迹的不确定性,利用云模型对连通能力进行建模。然后再结合云模型的定量到定性的转换功能和黄金分割法对区域对连通能力的等级进行划分,从而对区域间的连通性给出准确的评估。