随着我国经济的发展、社会的进步、生活水平的提高、城市化进程的加快,城市交通逐渐完善。道路成了连接各城市的主要干线,同时也是城市的生命线。但由于私家车数量的增加、城市建设的干扰,导致城市道路拥堵日益严重。拥堵的道路大大增加了居民的出行成本,更严重的会造成城市环境的局部污染。准确地预测城市道路未来车速情况能够帮助解决城市交通拥堵问题。道路的车速受到许多因素的影响,例如天气、区域位置节假日、节假日等等。为了准确预测道路的未来车速,本文开展并完成的工作如下:(1)以出租车轨迹数据来估算道路的平均车速。对于实时性要求高、数据量较大、行驶道路环境复杂多变的出租车,采取基于道路几何信息的匹配算法实现对GPS数据的空间划分。(2)作为用于神经网络参数优化的一种算法,遗传算法中传统的选择方法仅保存一个种群中最优秀的个体,方法容易陷入局部最优问题。为解决该问题,本文设计了一种基于改进遗传算法优化的BP神经网络模型,通过改进遗传算法的优质遗传因子选择操作来提高遗传算法的性能,从而能够更好地优化BP神经网络模型。并将此方法用于道路车速预测建模。(3)道路未来的车速与之前时段的车速很大的关系,而预测选取的预测特征具有时序信息,因此本文设计了一个名为FSPOL的端到端的神经网络结构模型,采用LSTM网络来处理具有时空特性的道路车速信息,然后结合神经网络中的全连接层来融合对车速产生影响的多种因素。对比实验结果表明,该车速预测模型其预测精度优于目前常用的几种方法。