随着出行需求和机动车保有量的不断增加,城市交通拥堵问题日益严重,短距离却长时间的出行体验给出行者和交通管理部门带来极大的困扰。智能交通系统（Intelligent Transportation Systems,ITS）是缓解交通拥堵的重要手段,而它的发展离不开大数据和先进技术的支持,但由于交通检测器不合理布设以及检测器故障等问题导致检测数据存在稀疏、缺失甚至错误,从而影响ITS精准感知全路网交通状态的能力,影响ITS对未来的交通演化趋势作出精准预测的能力,也影响ITS针对特定交通问题提出针对性解决办法的能力。为了对交通流检测数据质量进行分析,得到精确、完备的交通数据,实现精准的交通状态预测,本文做了以下研究工作:（1）基于平方流量误差界（Squared Flow Error Bound,SFEB）和扩展卡尔曼滤波（Extended Kalman Filter,EKF）的高速公路数据质量分析。分析高速公路交通流检测数据质量,构建SFEB和EKF的决策级融合模型SFEB-EKF,在检测器空间覆盖不足情况下计算检测路段和无检测器路段的交通状态估计误差界限。利用EKF交通状态估计模型估计全路段交通状态,基于得到的估计样本,分别采用最近邻法（Nearest Neighbor Method,NNM）和SFEB算法计算全路段交通状态估计误差上下界。应用开源高速公路数据集对模型进行测试,结果表明,融合模型SFEB-EKF能够给出无检测器路段交通状态估计界限,展示不同检测器覆盖率对估计误差上下界的影响效应,为高速公路交通检测器布设方案提供参考。（2）基于统计学习的交通状态补全。针对现有检测数据的缺失问题,采用核概率主成分分析法（Kernel Probabilistic Principal Component Analysis,KPPCA）对不完备的交通检测数据进行修补,使其能反映路网的真实状态,同时也为精准的交通状态预测提供完备可靠的数据保障。在实际路网上测试了KPPCA模型在不同缺失率、不同状态量以及不同时间窗下的估计性能,结果显示,KPPCA方法相比于历史平均、K近邻、概率主成分分析等方法,具有更准确的交通状态估计效果。（3）融合机理模型和深度学习的城市路网短时交通流预测。城市路网短时交通流预测任务中,深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短,首先改进路段传输模型（Link Transmission Model,LTM）,提出可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-Driven Link Transmission Model,D~2LTM）,并在此基础上引入时空深度张量神经网络模型（Spatial-Temporal Deep Tensor Neural Networks,ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息,实现路段传输模型和深度学习决策级融合的城市路网短时交通流预测模型D~2LTM-STDTNN。该融合模型一方面通过D~2LTM机理模型来揭示交通流演化的基本规律,发挥其对城市路网交通流状态时空演化过程的精细刻画能力,增强融合模型机理的可解释性;另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力,提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题,具有较细的空间粒度和时间粒度。实测结果表明,D~2LTM-STDTNN融合模型相对于基准模型预测精度更高,且具备模拟演化机理方面的优势,提升了城市路网短时交通流状态预测能力,揭示了路段间的交通流动态演化规律,为网络交通流模拟推演和主动管控提供了技术支撑。