如何以城市感知大数据为城市发展过程中所面临的诸多现实问题(如交通拥堵、城市规划等)提供科学合理的对策建议,是近年来城市计算领域的研究热点。然而,一方面城市感知数据时空分布不均衡,存在的“变分辨率”问题对于数据表示与刻画存在挑战;另一方面,城市多源感知数据在各自运行系统内相互独立,在语义知识方面彼此关联,因此充分有效融合多源感知数据也是城市计算领域所面临的又一个研究挑战。本文聚焦城市交通应用领域,综合利用出租车轨迹数据、滴滴出行数据、城市道路网络数据、气象数据和兴趣点等多源城市感知数据,分析城市环境下市民群体的出行时空特性与规律,在多时空粒度下挖掘人群出行模式,分析交通传导效应,并将城市出行模式及其传导效应应用于交通状况预测中。本文的研究工作主要包含以下三个方面:(1)城市感知数据时空多粒度结构化表示。在数据预处理阶段,针对城市感知数据的时空分布不均衡特性,本文提出了3DTree和细分-合并两种时空多粒度结构化表示方法,避免了传统时空数据表示方法效率低下、语义不准确、精度不高等问题,同时以不同类型、不同时间、不同地域的数据验证了所提时空多粒度结构化数据表示方法的稳定性、普适性和泛化能力。(2)城市环境下群体移动模式挖结合掘及其传导效应分析。以时空多粒度结构为基础,结合序列模式挖掘算法和频繁子图挖掘算法提出区域-路网两级模式挖掘框架,分别挖掘城市居民的出行模式、分析交通传导效应。相较于传统方法,本文挖掘到的模式具有丰富多样、多源异构、属性更多等特点。(3)城市人群出行模式及其传导效应在交通状况预测中的应用。首先,采用嵌入模型将时空多粒度结构的时空特性、通行速度规律、人群移动模式和交通传导模式嵌入到向量空间,在嵌入过程中,针对多源特征难以满足分布假说的问题,改进了基于负釆样的CBOW模型,使嵌入向量更准确、训练效率更高;然后,将度量学习嵌入到分类器准确率的指标当中,通过优化该指标提高了本文方法对城市交通状况预测的准确率。