快速路作为城市交通运输的骨架,主要承担了城市内中长距离快速出行的交通需求,常常会因为汇集车辆过多且车流消散受阻而发生严重的交通拥堵。当前广泛应用的管控措施大多为基于实测数据的反馈控制,难以适应快速路变化剧烈的交通流;除此之外,当快速路流量趋于饱和时,也无法有效缓解发生的交通拥堵。近年来,依托于图神经网络处理图形结构数据的优势,通过将道路网络抽象为图进而学习路网交通运行状态的时空特征,使预测精度不断提高;合理的疏散分流控制能够在流量趋于饱和时有效缓解快速路的交通拥堵。基于上述分析,本文提出了MPC（Model Predict Control）框架下的快速路与疏散网络协调控制方法,构建了基于交通运行预测的快速路疏散分流控制框架。交织区作为快速路集散车流的功能性区域,其交通运行状态在很大程度上决定了快速路的整体通行效率。为了进一步明确快速路与疏散网络协调控制的重要性,本文首先分析了快速路交织区的几何结构、交通运行特征、交织区服务水平对交织区通行能力的影响;然后基于车流波动理论分别对单交织区和多交织区的交通拥堵传播特征进行了分析;最后分析了现有管控措施的局限性并进一步阐述了基于交通运行预测的快速路疏散分流控制的重要意义。为了提高路网交通运行状态的预测精度,本文在深入分析各类图神经网络算法机制、模型架构的基础上,选用GMAN（Graph Multi Attention Network）模型对局部路网的交通运行状态进行预测;在构造数据权矩阵时,综合考虑了路网可达性和节点关联度对模型预测精度的影响,并应用最短路径倒数值来量化路网节点之间的关联度;最后结合实例场景,对未来的交通运行状态进行预测,实验结果表明:考虑路网可达性和节点关联度的权矩阵能够进一步提高GMAN模型的预测精度。为了实现快速路交通拥堵的预先主动控制,本文在交通运行状态预测的基础上提出了快速路疏散分流控制方法。构建的疏散分流控制模型直接将推荐行驶路线作为控制变量,综合考虑了OD出行车流的原始路径分流比例、驾驶员服从率对模型控制的影响,并分别以行程时间差和出口匝道排队车辆数为控制指标;然后分别从用户均衡和系统最优两个角度制定了快速路疏散分流控制策略;并搭建了集成VISSIM和Python的自适应控制仿真平台,对制定的控制方案进行仿真评价。实验结果表明,基于交通预测数据的疏散分流控制能够有效缓解快速路流量趋于饱和时发生的交通拥堵,弥补现有管控措施的局限性。