近些年道路交通的发展在很大程度上方便了人们的出行,但随之而来带来了对交通状态及时感知的困难,如道路状况的提前预警,越来越多的车辆带来的拥堵问题的预测等。随着计算机技术的发展,和交通领域结合产生的智慧交通系统（ITS）为我们提供了越来越多解决道路状态问题的方案。智慧交通系统在实际运行过程中会产生多种数据,其中能够提供大量信息可供挖掘的是轨迹信息。如果能够对收集到的轨迹数据加以分析,并添加多种在数据收集过程中能获取到的数据,如放置在地面上的传感器捕捉到当前道路的交通流量,参与交通系统中的驾驶员的智能手机产生的加速度和GPS传感器等数据,往往可以对数据进行更好的分析从而对道路状况进行及时且准确的感知。为了解决路面状况检测问题,本文论证了一种基于群体感知的路面环境检测方法。智能手机中的嵌入式传感器能够很好的感知振动情况,因此,我们可以将智能手机放置在行驶的车辆上并收集加速度状态和GPS数据,收集的数据代表了道路的状况和车辆行驶轨迹。在数据采集后,我们在路面状况监测上应用了学习算法。本文提出了一种双聚类方法,用以实现基于群体感知的道路环境监测。第一层次将加速度特征矩阵进行聚类找出相对应的坐标类别,然后再不同类别的GPS坐标上应用第二级聚类以推导出实际的路面状况及其发生的位置。最后,从道路实际检验中证明了方法的可行性及有效性。为了解决交通流量预测问题,本文论证了一种基于时空注意力的交通流量预测方案,并提出了门控时空注意力提取模型GSTAN,将Transformer模型创新性的应用在了交通流量预测领域并针对模型结构进行修改,分别提取空间注意力和时间注意力用以捕获空间依赖和时间依赖,并对时间注意力和空间注意力进行门控融合,融合了两方面的特征依赖。为了捕捉交通流量的周期性信息,针对拟预测时间片的前一小时交通流量、一天前同时段交通流量和一周前同时段交通流量作为输入,分别计算不同时间段交通流量对未来时间流量的影响程度,之后将三时段预测数据加权融合得到最终预测结果。GSTAN模型在METR-LA和PEMS-BAY数据集上在十五分钟后流量预测任务,半小时后流量预测任务,一小时后流量预测任务上均表现优秀。本文共有图31幅,表5个,参考文献76篇。