21世纪以来,随着我国高速公路基建的迅猛发展,越来越多的人们以走高速公路作为出行方式,导致了高速公路上流量加剧,影响了车辆的正常行驶。收费门架作为高速公路上独特的计费设施,收集了大量的车辆信息,信息中蕴含着高速公路的运行规律,充分挖掘收费数据中的信息,能为改善高速公路运行状况提供稳固的数据支撑。由此本文以高速公路收费数据为基础,研究了基于数据驱动方法的高速公路交通状态预测的问题。主要的研究内容下:（1）以河北省高速路网的门架收费数据为基础,进行了收费数据的预处理研究;并利用经过预处理的收费数据,分析了高速公路的交通特性,总结出高速公路交通流具有时变特性,具体表现为周期性、波动性、非线性和不确定性。（2）基于高速公路交通流性质的分析,以交通流数据、天气因素、日期因素和车型比例作为预测模型的输入,提出利用改进的粒子群算法优化LSTM超参数的方法,建立了基于IPSO-LSTM的交通流预测模型。并以BP和LSTM算法作为对照,以模型的损失值和回归模型性能的评价指标,对模型进行了评价。结果表明,IPSO-LSTM模型预测一天和一星期交通量的损失分别为1.2113%和1.8342%,各项评价指标的计算值也均优于BP和LSTM,证明了IPSO-LSTM模型具有良好的预测精度。（3）基于交通状态判别的特性,构建了基于谱聚类和SVM的交通状态判别模型。以交通流、行程速度和路段的占有率为特征变量,根据高速公路交通流的运行特性和变化机制,使用谱聚类算法将样本数据划分为顺畅、平稳、拥挤和拥堵四类,并结合SVM模型实现了对交通状态的判别;同时以分类模型性能的评价指标和混淆矩阵对模型进行了评价。结果表明,模型的总体精确率达到了0.94、召回率达到了0.92、综合评价指标达到了0.93,混淆矩阵下各状态判别正确率均在90%左右,证明了基于谱聚类和SVM的模型具有很好的准确性和稳定性。最后,提供了高速公路交通状态预测的综合应用流程。本文研究的交通流预测和状态判别模型以及二者结合的综合应用,能为ATMS提供新的交通状态预测方法,进而促进高速公路运行状况的改善。