近年来,随着我国水上交通运输业的快速发展,内河航道交通情形日益复杂,船舶通航效率和航行安全受到严重威胁。为了缓解内河航道交通压力,对航道交通信息进行高效获取及智能分析,进而对航道交通状态做出有效判别及预测,已成为我国航运业智能化发展的必然要求。大数据技术的高速发展及船舶自动识别系统(Automatic Identification System,AIS)的广泛普及,使得及时获取内河航道中的船舶交通数据已成为可能,海量的船舶交通数据为内河航道的交通流预测及交通状态识别提供了数据保障,如何从这些数据中提取出能够反映内河航道交通状况的特征参数,并基于此构建船舶交通流预测模型及识别模型,是水上交通诱导及控制的前提。基于以上背景,本文针对内河航道特点,利用航道AIS大数据,对航道交通流预测和交通状态识别问题展开研究。首先,设计了基于海量AIS数据的内河航道船舶交通流参数提取方法,即根据海量AIS数据的特点,采用大数据处理平台Hadoop及Spark对其进行有效管理及初步预处理;结合船舶交通流的特性,选取特定的时间间隔提取多个航段的船舶交通流参数,并进行异常识别及修复处理,而后采用Savitzky-Golay滤波器对修复后的交通流参数进行平滑滤波处理,有效地提升了交通流预测数据的质量;并对各航段交通流进行时空相关性分析,确立了基于多航段交通流预测的优势。然后,根据船舶交通流参数的时间序列特性,设计实现了传统时间序列分析模型ARIMA和基于多航段综合分析的LSTM、SAE及CNN+LSTM等深度学习模型用于船舶交通流预测。经实验对比分析可知,基于滑动平均改进的CNN+LSTM多航段交通流预测模型在短期和长期预测方面,都具有较高的准确性。最后,根据内河航道交通状态的特点,将模糊C均值聚类算法应用于交通状态的辨识,设计实现基于船舶交通流参数的模糊C均值聚类交通状态识别模型,并将识别结果进行可视化的展示与分析,直观展现了目标航段未来时刻的交通状态。本文基于海量AIS数据,对内河航道交通状态的识别及预测问题进行了比较充分的研究,建立了内河航道船舶交通流预测模型及交通状态识别模型,经实验验证其结果可以较为准确地反映内河航道未来时刻的交通状态,为交通诱导及航行资源的配置提供参考。