En comparación con el análisis de anomalías tradicional, el análisis de validez de datos de vehículos conectados inteligentes (VCI) se enfrenta a una variedad de anomalías de datos, incluidas anomalías de sensores, anomalías de comportamiento de conducción, manipulación maliciosa, y así sucesivamente, lo que finalmente conduce a anomalías en los datos. Cómo integrar las características de movimiento del vehículo, el estilo de conducción y las condiciones del flujo de tráfico para proporcionar un método efectivo de detección de datos se ha convertido en un nuevo problema en el campo de los vehículos en red inteligentes. Basado en datos de VCI, se propuso un algoritmo de detección de validez de datos de optimización de enjambre de partículas (TE-PSO-SVM) al combinar el estilo de conducción y la teoría del flujo de tráfico para realizar la detección efectiva de datos de conducción. Además, ante el problema de tipos mixtos de anomalías en escenas complejas, se construye un conjunto de modelos y se propone un algoritmo de selección de modelo basado en aprendizaje por refuerzo (RLBMS). Experimentos en el conjunto de datos reales HighD muestran que RLBMS tiene un mejor efecto de detección en escenas complejas de tipos mixtos de anomalías.