随着无线通信技术的发展和车载电子终端的普及,使得人们可以通过构建人-车-路协同的车辆自组网(VANET)来提供便捷准确的交通信息服务,如何通过车辆动态信息挖掘,提供实时导航、交通出行规划是其中一项重要应用,也受到了政府、学术界和工业界的广泛关注。本文将出租车上GPS视为移动传感器网络中的移动节点,基于城市出租车GPS数据挖掘,对交通状态进行实时感知,同时对出租车的需求进行实时预测,可以为车辆路径规划提供决策支持。该方案无需额外布置硬件设施,有较强的推广应用价值。论文在以下两个方面取得了创新性成果:1.实时交通状态信息可以帮助驾驶员更好的进行出行路径规划,规避拥堵路段;对于交通管理部门,交通态势信息的应用可以提高道路交通流量,有效减缓城市交通的拥堵。但是,不管是车辆本身的感知信息(如GPS数据)还是道路检测设备信息(如磁感线圈),都存在时间、空间上感知信息缺失的情况,使得对交通状态的全时广域感知面临数据重构的技术难题。本文正是基于VANET框架下对交通状态感知技术进行了深入研究,取得了如下主要成果:通过对交通数据隐含数据结构的挖掘,本文提出了一种基于张量重构的算法——HaTTC(Half Thresholding Tensor Completion)来估计空缺的交通信息。和传统的矩阵完备算法相比,本文的算法可以挖掘更多维度上的数据结构。HaTTC算法基于主流的ADMM框架,同时考虑了时间上的连续性和数据的周期性来提升重构的准确度。本文也融合了L1/2范数,大大加快了算法的收敛速度。HaTTC算法在高速公路数据的实验中的速度和精确度都超过了矩阵完备的FPCA算法。本文建立了一个涵盖上海市32000辆出租车和公交车的车联网系统。基于此系统获取的数据和本文的算法,本文实现了上海市的全时段交通感知,可以辅助上海市交通中心进行交通的管理,以及帮助路上的车辆进行更好的路径规划。2.实时的出租车需求分布信息可以指导出租车司机调整行程规划,提高收入,这也能让乘客更快达到出租车,缓解“打车难”的现象。但是出租车需求预测面临着众多技术挑战,包括离散的GPS数据造成的不确定性、出租车需求的高度动态性、交通状况的复杂性等等。本文在VANET框架下,基于出租车GPS数据,进行了出租车需求预测方面的探讨,主要成果如下:本文提出了一种出租车需求预测模型Taxi Demand Model,简称TD模型。相对于其他模型,本文的模型更加合理的表征了出租车需求的构成;另外为了更好的适应出租车需求高度动态性的特点,本文将出租车历史数据与实时数据结合来估计出租车的需求数目。在本文的模型中,技术上亮点主要有两个:首先,本文引入了一个变量来定量衡量出租车载客的难易程度,即出租车开入某个路段后多久能够载到客人。本文通过这个变量的使用来提高对于出租车需求数目估计的精确度。第二,本文引入了几何概型,通过出租车GPS数据估计出了乘客的等车时间。本文建立了一个涵盖上海市超过一万辆出租车的车联网系统,基于该系统产生的时间跨度长达一个月的GPS数据,结合TD模型,本文进行了出租车需求分析和预测的仿真实验,证明了本文提出的模型的有效性。