城市人口的增多、机动车数量的增多、出行方式的多样化发展、机动车尾气污染增加等一系列现象在当今日益发展的城市中出现的越来越多。而城市的交通拥堵则是这些现象带来的最直观问题。交通拥堵问题对城市的经济发展造成了严重的威胁。对交通状态进行预测,就需要识别和判断交通状态。本文首先对交通状态识别进行了研究,对比了几种常见指标,包括INRIX、RCI、DC等指标,然而都存在着各自的缺点,如缺乏区域性信息、缺乏时效性、计算过于复杂等。而TTI拥堵系数,则有效地解决了这些问题。因此,使用TTI拥堵系数可以对交通状态进行判断。为了通过海量GPS数据,快速计算出TTI拥堵系数,本文搭建并使用了基于Hadoop的分布式数据服务器集群。随后通过平行四边形法处理GPS数据与路网数据的匹配工作,进而得到城市的区域TTI系数,并对城市区域做出了拥堵判别。其次,在交通拥堵预测上,相较传统交通拥堵预测模型,本文没有采用传统的以车辆速度为基准的预测方法,而是使用TTI交通拥堵系数,该系数的计算基于道路自身的自由流速度,可以让具有不同速度等级的街道都统一到TTI系数上来作为拥堵评价,因此相较以传统的车辆速度为基准的预测方法更具有准确性。最后,本文比较了传统的神经网络预测模型和C-BiLSTM预测模型,验证了CBiLSTM中的CNN层确实可以提取出TTI系数中的空间特征信息,然而预测精度仍旧不高。因此改进后提出了一种CS-BiLSTM网络预测框架,在CNN处理空间信息层和LSTM处理时间信息层中间添加Softmax层,加强了CNN层提取的空间特征信息,进而提高了预测模型的准确率。