随着我国城市经济结构的不断调整与优化,城市化进程逐渐加深,交通需求持续增长,道路供需矛盾问题日益突出,高速公路交通拥堵逐渐呈常态化现象。高速公路交通拥堵降低了道路通行效率,同时也带来一系列的交通安全、环境污染等问题,在一定程度上阻碍了我国实现“交通强国”和“双碳”战略目标的进程。因此,如何有效缓解高速公路交通拥堵,提升道路运行效率是急需解决的难题。采用先进的交通管理与控制技术,建设智能交通系统是提升道路运行效率的有效手段。准确、可靠的交通状态判别和预测方法是智能交通系统的关键核心部分,也是利用ITS系统提高高速公路运行效率的基础。传统的基于模型驱动的交通状态判别和预测方法不能完全满足当前复杂多变的交通流系统和现阶段高度信息化的智能交通系统。因此,有必要通过大数据分析技术和智能化手段从海量的交通大数据中挖掘出复杂的交通流变化态势,从而进一步提升交通状态判别准确性和预测精度。本论文以高速公路路段交通为研究对象,提高交通状态判别和预测的准确性和效率为目标展开,结合交通流理论、大数据技术、机器学习方法以及智能优化理论等对高速公路交通运行状态判别和预测方法进行深入研究。主要工作内容和研究成果包括:（1）提出不同数据缺失场景下的交通流数据修复方法针对不同的交通流数据缺失模式,根据数据缺失特征,将交通流缺失数据分为简单随机缺失场景和复杂连续缺失场景。简单随机缺失场景下的数据修复,提出改进的基于Pearson相关距离和高斯加权的IWKNN缺失数据修复模型,主要体现在使用皮尔逊相关系数和高斯加权距离对缺失数据与完整数据点之间的相似性进行度量;复杂连续缺失场景下的数据修复,提出SARIMA-DBN组合修复模型,使用季节性差分自回归滑动平均模型拟合连续缺失数据的线性部分,剩余的非线性残差序列使用非线性拟合能力强的深度信念神经网络进行修复。在模型验证阶段,通过设计不同的数据缺失场景和缺失比例,验证了本文所建的两种缺失数据修复模型的有效性。本部分提出的缺失数据修复方法能够准确、快速地修复缺失数据,同时为交通状态判别和预测提供完备的数据支撑。（2）基于FCM聚类和BPSO-（RSM-DAG-SVMs）的交通状态判别模型采用无监督学习FCM聚类方法和交通流理论对交通状态自动化聚类,得到交通状态类别以及每种交通状态所对应的聚类中心。以DAG-SVMs为个体学习器,采用随机子空间集成学习方法,对高速公路交通流数据属性进行扰动得到若干个特征子空间,建立基于RSM-DAG-SVMs的交通状态判别模型。为提升RSM-DAG-SVMs集成模型泛化性能并降低集成规模,采用具有全局寻优能力的BPSO优化算法对RSM-DAGSVMs集成模型中的基分类器进行选择和优化,筛选出差异度大、误差小的基分类器,得到基于BPSO-（RSM-DAG-SVMs）选择性集成的交通状态判别模型。采用实测交通流数据验证了所建的交通状态判别模型的有效性和良好的泛化性能。（3）基于CEEMDAN-IWEP和GWO-LSSVM的交通流参数组合预测模型针对复杂交通流序列的非线性和时变性,为提高交通流数据的可预测性,采用CEEMDAN方法将原始交通流时间序列分解为若干个相对平稳、简单的本征模态分量和残差序列;利用改进的加权排列熵将具有相似复杂度的分量重组,以此减少预测模型的输入;采用最小二乘支持向量机对重组后的序列和残差分量进行预测,将各LSSVM模型的预测结果相加得到最终的预测结果;采用灰狼优化算法对LSSVM模型的正则化参数和核宽度参数进行优化,得到全局最优参数组合。最后,采用交通流数据验证所提出的基于CEEMDAN-IWEP和GWO-LSSVM优化的交通状态组合预测模型的有效性。结果表明,所提出的交通状态预测方法能够有效提高预测精度,同时降低模型复杂度。（4）基于IMODE-SA多目标优化回声状态网络的交通流参数多步预测模型针对交通状态多步迭代预测产生的误差累积问题,使用MIMO预测策略进行交通流多步预测。通过计算交通流序列的时间自相关系数和空间非线性Spearman相关系数,确定与交通状态预测相关性最强的变量;其次,采用回声状态网络建立交通状态多步直接预测模型。对于回声状态网络参数选择和储备池设计,同时考虑预测模型的预测精度和模型复杂度,以ESN模型的预测误差、储备池规模以及稀疏度为优化目标,对ESN预测模型参数进行多目标优化。对标准的差分进化算法改进,结合模拟退火算法设计IMODE-SA多目标优化模型求解算法,对ESN交通状态预测模型参数进行优化,得到帕累托最优解集,在建立ESN交通流预测模型时可以根据对模型的预测精度和复杂度的不同需求选择最优超参数组合。最后,对所提出的IMODE-SA-ESN交通流多步预测模型进行验证,实验结果表明所提出的模型能够有效提高预测精度,且能够提供在模型性能和复杂度不同需求下的多样化最优参数组合。