城市道路交通堵塞及事故的频发,给市民的交通出行和社会生产带来极大的困扰,尽管诸多的城市管理者对解决当前问题做了很多不同的尝试,但这些现象依然存在于各个城市中,且呈现上升趋势,如何在现有的交通设施基础下有效的提高城市道路的运行效率及管理能力是当前交通运输领域的主要难题。城市路网中无时无刻有网约车在运行,包含大量全面的城市交通时空信息,而且GPS数据具有可靠性高、数据量大等特点,采集到的数据通过无线网传输到各大平台的控制中心,平台的统一管理保证了数据的完整性和实时性,因此网约车GPS数据非常适合用于城市道路的交通状态预测研究,通过对交通状态的预测,让交通管理部门更有针对性地制定交通管控和诱导措施,让出行者提前规划出行计划,及时避开拥堵区域或拥堵时段,以此达到减轻城市道路的交通压力。本文对研究区域路段的网约车数据进行了处理分析,挖掘了其中的包含的交通历史运行信息,结合相关算法对交通状态的判别、交通流参数预测方面进行了研究。本文首先对网约车数据的内容进行了详细介绍,描述了研究区域的信息,对路段进行划分和统计周期的选取,同时描述原始数据存在的记录时间混乱、数据缺失、定位数据漂移等问题,并对其进行了数据预处理,然后对交通流参数进行了分析,依据交通流参数选取原则,选取了平均速度、交通流量和出行时间指数作为交通特征参数,从交通拥堵空间分布、网约车出行需求时间分布和交通历史拥堵程度三个方面进行了数据分析。在进行了上述处理后,使用二阶聚类法获取不同聚类数目取值下的施瓦兹贝叶斯准则等指标对最优聚类数目进行确定,将交通状态划分为畅通、基本畅通、缓行、拥堵四种类型,对相关参数进行提取后构建了基于GA-FCM算法的交通状态判别模型,通过实验发现该模型判别交通状态表现优秀。此外,本文提出一种基于CNN-LSTM的交通流参数预测模型,使用皮尔逊相关性检验标准从时间和空间两个维度对交通流参数进行相关性分析,提取相应的影响因素构建模型输入特征向量,之后对其他模型如ARIMA和GRU进行实验仿真,经过对比发现本文模型的预测效果更好。最后结合交通状态判别模型和交通参数预测模型,对交通状态预测系统的整体技术方案进行具体论述。