随着我国城市化的推进,大都市路网规模日益增大,车辆保有量屡创新高,交通系统承受巨大压力。同时,交通管理系统的发展相对缓慢,导致交通拥堵问题凸显。近年来大数据技术的发展为交通问题的解决带来新的思路,成为学界热门研究课题。但传统算法难以克服单源数据的稀疏性与系统性误差,也难以处理大规模复杂路网中的强时空相关性。因此,本文通过对交通数据处理、路网建模与全局预测算法的研究,为城市交通状态监测与预报问题分别提供解决方案:其一,本文建立多源异构交通数据融合系统以实现城市交通状态的高效监测。本文对取自上海市交通信息中心的交通数据进行清洗与预处理,以从原始数据中提取有效的交通监测信息。在此基础上,设计实现异构数据融合系统以解决交通监测稀疏问题,分别克服数据异构与非同源数据相关性两大主要难点。本文针对不同规模的数据集设计、部署朴素与时空地图匹配算法,结构化多源异构数据并从中获得交通监测矩阵。随后提出基于鲁棒回归的Granger因果关系检验模型,验证多源数据间的线性相关性。实验指出,多源数据的融合提高了监测系统等效采样率,相对单源方案提高38.85%,且具有较高估计精度。其二,考虑到城市路网的时空强耦合特征为交通预报带来的困难,本文充分挖掘交通流时空特性与传播特征,提出低复杂度、高精度的图递归神经网络(GRNN)算法以解决全局交通预报问题。本文定义链接网络(Linkage Network)作为路网的拓扑图模型,释放传统定义中的冗余,通过新元素“链接”的引入将传播特征解耦,增强图模型表达能力。基于链接网络模型,本文提出图递归神经网络。GRNN通过其传播模块模拟、学习路网中的传播特征,挖掘路段间时空相关性,从而进行路况预测。本文推导了该网络的学习算法,指出与传统交通预测算法相比,其空间复杂度由O(nm)降至O(n+m),时间复杂度由O(nm)降至近似于O(n)。最后,基于历史数据的对比实验表明该算法预测精度高于其他预测算法。本文利用多源数据提高交通状态估计精度,通过对交通流传播特征的挖掘高效进行交通短时预测,研究成果为交通长时预报等问题奠定基础。