智慧城市（Smart cities,SCs）是一个以可持续和智能化方式运作的“生态系统”,它依靠智能连接设备和信息通信技术的协同工作,利用先进的数据分析技术进行监测和控制,优化有限资源的回报率。大规模部署的电信网络为SCs的构建提供了网络支持;广泛分布的传感器和无线接入设备为SCs的分析收集了大量有价值的数据;不断突破的机器学习技术为SCs的大数据处理、计算分析和决策提供了技术支持。SCs的一个重要组成部分是具有自动驾驶车队的智能交通系统（Intelligent transport system,ITS）。利用大数据分析技术挖掘城市交通流量特征及模式,研究城市车辆资源合理动态分配的新理论及技术,探索解决当前城市面临的交通拥塞、能源消耗及环境污染等难题迫的新途径。本文面向智慧城市需求研究基于数据分析的自动驾驶车队智能管理理论及技术,主要创新研究工作及成果如下:1)针对如何构建合适的车辆移动模型满足ITS应用的问题,本文首先深入分析了当前车辆移动性建模的现状,给出了车联网/通信-交通网络中解决实际问题的“需求-模型-应用”框架。文中又将现有的车辆移动模型分为车辆分布模型、车辆交通流模型和驾驶行为模型,详细分析了空间中车辆的随机模式、与路线图对应的交通流模型以及个人的驾驶行为（例如跟车和变道）。最后,给出基础网络连接分析、离线网络优化、在线网络功能实现和实时自动驾驶在内的不同应用场景的建模示例。2)针对用户出行需求的时空预测受人文、环境等复杂因素影响产生的随机性的问题,本文提出了基于兴趣点和多变量长短期记忆算法的乘车需求时空预测模型。通过分析历史乘车数据与气象、区域设施分布等信息的相关性,在时域预测中考虑了气象信息对历史出行数据可靠性的影响,在空域预测中引入了兴趣点得分来评估由区域设施差异引起的区域乘车需求失衡,并使用异构数据集训练模型的参数。与单变量长短期记忆算法相比,本文提出的综合考虑气象、区域设施、用户需求等因素的多变量长短期记忆模型的预测精度提升了 3.12%。最后本文使用北京市出租车轨迹数据集验证了该时空预测方法的准确性。3)针对用户在出行的路径规划过程中需要对路况判断记性前瞻性预测以满足用户不同需求的问题,本文提供了一种基于区域通行能力预测的路径规划算法。根据应用需求建立兼具搜索效率和路径准确性的启发式寻路模型（增强-A*）。在传统A*算法的成本函数中融合了区域速度估计函数,增强-A*算法基于区域通行能力预测优化了路径规划中躲避拥塞路段的代价。首先利用后向反馈神经网络和最小二乘法对北京市实际交通数据进行拟合,获得区域内车辆密度与平均车速间呈线性关系。其次为增强-A*算法设置动态更新的附加区域平均车速特征量的地图,实现动态路径规划。仿真证明增强-A*算法搜索出行时间优化的路线规划的有效性,同时降低了约25%的搜索时间成本。