基于大数据的复杂系统异常检测是电气工程领域的重点研究课题。目前,我国高速公路是全球最为繁忙的交通系统之一,2019年底完成全国大规模部署和联网的电子不停车收费（Electronic Toll Collection,ETC）系统是全球最大规模的物联网系统。海量的ETC交易数据记录了高速公路上几乎全部车辆的通行状态,通过ETC交易数据的挖掘分析实现高速公路拥堵检测,不仅对提高高速公路的管理水平和通行效率具有非常重要的应用价值,同时该方法对我国电力、水利、智能工厂、智慧农业等信息化水平提升具有很高的参考借鉴意义。因此,本文依托ETC交易大数据开展了以高速公路交通拥堵检测为主要目的关键技术研究,分别从高速公路服务区识别、区段交通拥堵检测以及事故拥堵源头车辆识别三个方面,进行系统化分析和研究。主要完成工作如下:（1）高速公路服务区区段识别。由于服务区通常会使得车辆在区段内的停留时间过长,造成该区段拥堵的假象,本文首先深入分析了高速公路上服务区的特性,然后利用ETC交易数据对服务区区段进行识别研究。本文对全省862个区段进行数据分析,构建了不同速度区间的低速车辆占比、区段长度、区段交通流量、时间段等指标作为随机森林算法的输入,通过机器学习得到相对稳定的识别模型,为后续研究奠定基础。（2）基于ETC交易数据的区段交通拥堵检测。基于ETC交易数据,本文从区段交通流量、区段行程速度两方面对区段交通拥堵进行了检测分析。设计了一个高速公路交通拥堵的检测算法,算法可以识别拥堵的起始时间点,拥堵持续时长,并引入了事故因子区分道路严重事故拥堵和道路非畅通拥堵;算法结合区段实际情况考虑到服务区区段与无服务区区段需要使用不同的阈值进行拥堵检测,提出了一个区段交通拥堵检测阈值的选取方法,最后使用本文算法对某省较常拥堵路段进行实地实验,取得了较好的实验结果。（3）基于ETC收费交易数据的事故拥堵源头识别模型。结合事故车辆“先入晚出”的特点构建了事故源头车辆识别模型,并提出了基于正态分布的一元离群点检测算法事故源头识别模型的阈值进行选取,结合前面发现的事故性拥堵实例进行事故源头车辆识别,证明了算法的可行性以及识别的准确性。