随着城市机动车保有量的迅猛增加,国内大部分城市尤其是特大城市的交通拥堵状况日益严峻。城市道路的拥堵情况严重影响着居民的日常工作和生活。基础道路建设受到诸多条件限制发展缓慢,智慧交通作为一种治理交通拥堵的新方法,已成为交通管理部门的工作重点。城市道路上安装的各种传感器每天能够采集大量交通数据。如何利用这些数据制定有针对性的交通策略从而缓解城市交通拥堵,成为了研究者们关注的重点。交通拥堵评价不仅是道路交通服务水平的重要依据,也是交通管理与控制的前提。准确地评价交通拥堵状态,对道路拥堵预测、交通诱导以及最佳路径规划均有非常重要的意义。但由于实际道路交通数据获取难度较大,信息共享程度较低,大多数研究工作还停留在理论建模与仿真阶段。因此对实际道路的交通数据分析还有较大的提升空间。本文基于实际道路的大量交通数据(卡口数据、微波数据、GPS数据)对交通拥堵状态的评价与预测方法进行了创新性研究,主要取得了以下三方面的研究成果：(1)对道路上常见的多种传感器采集到的数据进行详细分析,设计了一种车牌Hash算法用于去除冗余数据。针对各种传感器的优缺点,同时结合实际道路上采集的数据质量,提出了一种多源交通数据融合的方法,有效的修正了原始数据中的奇异数据。(2)对实际交通数据进行拥堵状态评价。首先使用数据挖掘中常用的K-means聚类方法,依据聚类结果得出交通拥堵状态评价方法。拥堵状态是交通状态分析的重点,但由于拥堵状态在交通状态中所占比重较低,K-means聚类方法不能有效的将拥堵状态划分出来,针对这一问题提出了一种基于密度的交通拥堵评价方法,该方法可以较好的划分出拥堵状态。(3)对短时交通拥堵状态进行预测,针对一阶马尔可夫模型预测交通拥堵状态,存在预测拥堵状态滞后的问题,提出了一种高阶马尔可夫模型的短时交通拥堵状态预测方法。该方法对交通拥堵状态的预测准确度有了一定提升达到92.7%,并且有效的消除了预测滞后问题。