近年来,随着大数据、云计算、物联网和移动互联网等新兴技术的发展,智慧交通建设成为交通运输科学发展的关键,而信息化建设在智慧交通体系发展过程中占据重要地位。由于经济的发展,机动车保有量不断增加,车辆的交通行为产生了海量的交通数据,这些交通数据信息质量的高低是决定信息化系统准确性的关键。现阶段交通数据的收集主要通过各种类型的传感器来实现,但是由于一些外部原因,例如天气、设施损坏或者终端处理错误等,使得数据缺失或错误,对这些交通数据进行错误识别和修复,在智慧交通信息化建设中是十分必要的。基于此,本文对交通流错误数据识别与修复方法进行了研究,本文的工作得到了国家重点研发计划项目“道路交通运输大数据平台关键技术研究与应用示范”(2017YFC0840200)的支持。论文主要工作如下:首先根据对论文所研究问题的整体分析,对道路交通运行状况评价指标进行了研究,并选取了流量、速度和密度这三个特征作为后续研究的对象;对数据异常进行了定义;从数据特征层面出发,分析了交通流在错误数据识别和修复过程中面临的挑战。然后针对实时交通流错误数据识别过程中面临的挑战,提出一种基于自组织映射的径向基神经网络(SOM-RBF)方法来进行交通流错误数据的识别,并将AUC值作为模型的评价指标,实验表明该方法可以快速并准确地识别错误数据。其次在分析了交通流缺失数据修复方法的基础上,提出一种基于粒子群优化的长短期记忆神经网络(PSO-LSTM)方法来进行交通流缺失数据的修复,以期提高数据的修复精度。针对提出的方法,选择均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型的评价指标,并用实验数据对其有效性进行了验证,实验证明,该方法可以有效提高数据修复精度。最后在应用上述提出的错误数据识别与修复方法的基础上,针对交通流数据的特征,提出一种交通流实时错误数据识别与修复系统平台架构,为交通大数据实时错误检测与修复的建设应用提供了参考。