根据中国国家统计局的数据,全国民用汽车和私人汽车拥有量每年都在持续快速增长。而高速公路的建设速度远远跟不上汽车拥有量的增长速度。越来越多的省份或者城市开始借助智能交通系统探索路网中交通流的时空关联和分布特征,进而推进对高速公路基础设施的建设和改进。然而,在聚居地分布、节假日、气象因素等时空条件的共同影响下,高速公路路网中的交通流呈现多种流量变化模式。研究这些变化模式对于基础设施优化和业务决策有着重要意义。例如,可以利用这些变化模式预测未来一段时间内路网中交通流量比较高的热点收费站,优先对这些站点进行建设和改进,提高高峰时期的车辆通过效率。传统工作强调近邻空间的相似性,而高速公路站点车流量存在近邻弱相关,地理位置差异大的站点可能存在相似的模式。这带来交通流量建模和预测的困难。同时,传统交通流量预测方法对时间序列的相似性考虑不足,限制了站点交通流量和热点发现的预测精度。针对上述问题,本文进行了以下研究工作:（1）基于时空特征的高速公路交通流模式挖掘方法。针对高速公路站点车流量存在近邻弱相关,地理位置差异大的站点可能存在相似的模式,站点交通流具有的多种时空变化模式刻画不足的问题,通过聚类分析将全网收费站点的交通流时间序列划分到多个簇中,使得属于同一簇内的交通流时间序列尽可能相似,不同簇间的交通流差异尽可能大。此时,可以将聚类到同一簇内的交通流时间序列看做属于同一交通流模式。（2）基于交通流模式的高速公路热点收费站发现。传统方法流量预测时对时间序列的相似性考虑不足,限制了站点车流量和热点发现的预测精度。本文在交通流模式挖掘的基础上,将交通流所属的模式作为特征,同时引入节假日、周六日和极端天气等影响因素设计并实现了一种集成学习模型,预测高速公路全网站点的未来30天的交通流量。将预测流量排名前10%的站点划分为热点收费站。实验显示,本文方法对比KNN、SVR等常见基线模型,在预测精度的提升方面有着良好的效果,可以满足热点收费站发现的业务需要。（3）在实际项目场景下设计并实现了原型系统。系统可以帮助相关部门分析和评价现有高速公路交通流的时空关联、分布特征,在地图中对各个模式下站点进行标注,方便发现同一模式的站点在空间上的分布,并在地图中更直观的展示热点收费站的预测结果。