交通拥堵识别与改善在交通领域具有重要的理论意义和工程应用价值。针对目前方法精度低、不能智能识别等关键问题进行深入的研究,提出了基于多源数据挖掘的交通拥堵智能识别与改善方法,主要研究工作如下:(1)针对交通流短时预测方法由于交通流特性考虑不全面而导致预测精度低的问题,提出了一种基于时空节点包裹式特征选择和BPNN的城市道路交通流短时预测方法。将研究区域范围内有影响关系的道路交通流空间节点对应的时空交通流作为输入,待预测道路空间节点未来时段的交通流量作为输出,通过历史数据作为训练集,从而将该问题转化为数据驱动的多输入单输出回归预测问题。首先,对交通流特性进行机理和数据相关性分析,获得交通流的时空特性;其次,根据车流的可达范围确定候选时空节点集合,以误差平方和的倒数为目标函数计算适应度,在训练集上使用包裹式特征选择方法,运用遗传算法和反向传播神经网络(BPNN)进行时空节点选择的求解,得到最终的时空节点和训练好的BPNN;最后,在工作集上将选择的时空节点的实测值输入训练好的BPNN,即得出城市道路交通流的短时预测值。该方法更合理的选择和使用了时空交通流数据,精度会更高。在泉州市田安北路,以2019年8月一周共5个工作日的路段交通流量上的实测结果表明,本文方法精度高于仅使用相邻时空节点数据、采用其它时间节点范围、支持向量机和梯度提升树方法。(2)针对城市道路交通拥堵原因动态实时、复杂多变,识别方法主观性强、实时性差、不能自动等问题,提出了一种基于因果贝叶斯网络的城市道路交通拥堵多原因自动识别方法。将研究区域范围内有关的城市道路交通状态可观测变量作为输入,交通拥堵原因的0-1离散类型作为输出,通过历史数据作为训练集,从而将问题转化为数据驱动的多分类问题。首先,对城市道路交通的动态可观测变量和多个拥堵原因之间的关系进行系统的机理分析和仿真验证,从而构建因果贝叶斯网络结构;其次,以获取的实测历史数据进行参数学习训练,得到完整的因果贝叶斯网络模型;最后,将该道路工作状态下交通可观测变量输入该因果贝叶斯网络模型,就能同时自动识别出交通拥堵的多个原因。该方法灵活性高、对节点相关性能够更好的表达、可解释性强、能够充分利用专家经验知识、且能做到自动实时。在泉州市泉秀街,以2019年2月25日至3月3日晚高峰为研究对象研究结果表明,本文方法在行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响五种拥堵原因的识别准确率与对比方法实验相比表现较优。(3)针对当前交叉口拥堵现象频发,信号灯控制方法的精确性、灵活性较差等问题,提出了一种基于实测车流量和组合控制策略的交通信号灯实时逻辑开环控制方法。将问题转化为时变优化问题,针对此问题设计了一个开环控制系统,以绿灯时长和信号状态作为可控变量提升交叉口通行效率。该方法首先根据实际交通问题考虑了完全服务控制、阈值限制控制和优先级控制三种控制策略,结合各策略构建了实时交通信号灯逻辑控制模型;其次,采用仿真方法验证模型的正确性和控制方法的有效性。该方法能够在满足条件下及时处理紧急情况,提升了交叉口通行效率,实现了交叉口信号的精细化和智能化控制。在泉州市丰泽田安路口,以2019年9月5日的实验结果表明,采用本文方法在车辆平均延误时间和车辆平均排队长度上都优于实际采用的固定配时信号控制方案和自适应绿灯时延算法。另外,本文中也还有可以继续开展研究的地方,例如交通流预测中BPNN的隐层层数和节点数可以进行更多次的实验寻找最优结构;因果贝叶斯网络方法识别交通拥堵多原因的精度可采用更多的多分类模型指标进行评价;提出的交叉口控制方法可考虑实际实施,获得实测数据,从而进一步验证方法的精度和效果。