信息化时代,科技日新月益,社会经济得到高速发展,城市道路交通每况愈下,智能交通系统得以蓬勃发展。车联网作为物联网在智能交通系统中的主要构成部分,研究它对于改善交通状况、提高交通运输效率和确保人民出行安全具有较高的应用意义。由于车联网中车辆节点具有高速移动性和极易受环境影响等特点,使得传感器收集的数据难免存在篡改、丢失、伪造等各种问题。因此,有效地对车联网传感器数据进行异常检测及恢复,可促使数据能够准确无误地反映交通实时状态,进而确保交通分析模型的真实性和智能交通管理系统的有效性。本文在总结车联网异常数据产生原因的基础上,提出了基于动态贝叶斯网络模型和时空相关性组合模型的两种异常检测及数据恢复算法。其中,在基于动态贝叶斯网络模型的方案中,首先介绍了动态贝叶斯网络模型的结构和参数学习算法,分别为粒子群优化算法和最大期望算法。其次,根据数据特性提出了一种基于阈值调整的异常检测及数据恢复方案,同时给出了最优阈值的性能分析计算方法。最后,通过模拟包含注入异常的数据集对所提方案的性能优劣进行了评估。仿真结果表明该方案在保证高检错率、高修复成功率的条件下具有较低的误检率。在基于时空相关性组合模型的方案中,首先详述了相关性理论并选择自相关系数和Pearson相关系数分别作为衡量传感器数据间的时间和空间相关性指标。其次,利用将代表时间相关性的指数平滑算法和代表空间相关性的最小二乘估计算法相结合的组合模型算法对异常数据进行检测及恢复,同时给出了平滑系数、权重系数以及最优阈值的确定方法。然后,将该组合模型算法与原先两个单独的算法在同一数据集中进行实验仿真,通过对比仿真结果来验证组合算法的实用性。最后,给出文章所提两种方案各自适合的应用场景。