随着高速公路营运管理日趋信息化,联网收费与监控系统中积累了海量收费数据与车辆行驶记录。然而,现有的营运管理技术还停留在数据查询与统计分析阶段,远远不能满足诸如道路状况预测、信息服务提供以及车辆稽查等智能化管理需求。本文以高速公路历史收费数据为基础,围绕智慧型公路营运管理平台概念,探讨了利用数据挖掘在海量数据中发现车辆行驶规律等隐藏知识的方法。在此基础上,重点研究了车流量预测、行程时间预测和逃费车辆稽查等高速公路营运管理中的热点问题,从而为高速公路营运管理的智能决策支持奠定基础。论文的主要研究成果及相关创新点包括:1.车流量预测问题一直是交通领域研究的焦点,此问题的解决对收费站周边区域的车流疏导具有重要的意义。本文以交通流宏观流体模型为基础,给出基于BP神经的交通流预测模型,实现了短时间站点间交通流的预测。2.就行程时间预测,设计了基于历史数据下的平均行程时间,融合多种因素的路段行程时间模糊预测模型,并应用模型进行单车路段行程时间预测。该模型区别于以往偏重于采集的短时交通流数据,考虑车辆特征、行驶时段等因素对行程时间的影响,实现行程时间神经网络模糊预测。模型预测结果效果良好,展现了一定的实用性。3.构建了基于收费特征字段与逃费现象之间关联的挖掘模型,实现了偷逃通行费行为的稽查分析。论文使用数据挖掘工具Weka实现了对所设计模型的建模与模型应用。模型应用的结果表明对于变型车等偷逃通行费行为有很高的稽查性能。本文针对具体问题的数据挖掘分析,挖掘成果展现了一定的实用性,为实现交通流诱导,逃费车辆稽查等提供数据参考。实验结果表明了利用历史收费数据,挖掘公路车辆信息对高速公路营运决策支持有重要价值意义。