交通轨迹是交通工具在时间区间内的空间移动路径,反应交通工具的时空特征。探索交通轨迹数据是分析轨迹数据特征的重要步骤。交通轨迹数据是一种时空数据,具有数据量大、时间跨度长的特点,这使得现有的交通轨迹数据探索方法技术门槛高。交通的随机性使得交通轨迹充满不确定性,这将不利于交通轨迹数据的进一步利用。可视化通过直观的视觉通道传达交通轨迹信息,具有直观高效的特点。因此,通过可视化研究交通轨迹不确定性相关问题一直是交通领域热点问题。本文针对交通轨迹不确定性可视分析相关方法进行研究,工作包括以下三方面:1.为提供一种低门槛的交通轨迹探索方法,提出一种面向交通轨迹的数据流可视化方法DFV-TT（Data Flow Visualization for Traffic Trajectory）。数据流可视化旨在通过拖拽式图形界面生成交通轨迹可视化图形进行任务分析,无需编程基础。另外,针对用户构建交通轨迹可视化过程中缺少辅助支持的问题,例如缺少视图导航,提出通过向导辅助数据流构建的方法,帮助用户构建合适的可视化视图和地图组件进行任务分析。基于数据流异构网络的向导推荐模型将向导推荐作为图搜索问题,将用户关于向导有效性的评价反馈至数据流异构网络以更新节点关系。从案例研究和用户研究结果可得出本文方法是有效且用户友好的。2.为分析交通轨迹偶然不确定性,提出一种名为绳结线（Knotted Line,KT-L）的交通轨迹不确定性可视分析方法。偶然不确定性是不可避免的,来源于交通轨迹数据收集过程。绳结线是一种直观的可视化模型,由小提琴图、多层环、风险指标矩形组成,分别编码乘客等待时间、交通工具到达时间不确定性和乘客乘车花费时间可能性。绳结线旨在通过简单的视觉编码传达轨迹不确定性信息。绳结线通过编码公交运行不确定性信息,提供公交轨迹不确定性分析。实验表明该方法是有效的,能帮助乘客了解交通运行不确定性并做出决策。3.为分析交通轨迹认知不确定性,提出基于贝叶斯神经网络的交通轨迹不确定性可视分析方法BUVA-BNN（Bus Uncertainty Visual Analysis Method Based on Bayesian Neural Network）。认知不确定性源于预测模型,反应模型做出预测的置信程度。首先基于贝叶斯神经网络的模型对公交行驶进行预测。输出具有分布性质的结果,计算模型的不确定性程度,提供不确定性估计。其次,开发了一个交互式不确定性可视化系统来分析公交车站和线路的时间不确定性。将所提出的预测模型与可视化有机地结合,更好地展示了预测结果和不确定性。