近年来,随着人们出行需求的增加和汽车保有量的快速增长,城市道路拥堵情况愈加严重。与此同时,智慧交通不断发展,无人驾驶技术愈渐成熟,实现前方道路透明化、完善智慧交通管理系统、缓解交通压力成为交通发展的首要任务。为实现前方道路透明化、为自动驾驶车辆进入人们生活、提供人机混跑的可能,作者所在科研团队提出了出行计划机理,即出行者在出行前发布出行时间、出发地、目的地,致力于构建基于出行计划的智慧交通管理系统。目前,城市道路拥堵情况严重,如何完善基于出行计划的智慧交通管理系统,缓解交通压力是现阶段的目标。为缓解交通压力,本文引入出行计划机理,提出了快速路拥堵预测与拥堵类型判别机制。针对快速路无信号控制等因素影响的特点,采用速度这一参数来判断拥堵是否发生,提出了基于出行计划和时空特性的RBF神经网络速度预测模型,利用出行计划数据、实时与历史交通数据实现快速路速度预测,从而判断拥堵是否发生;利用基于尖点突变理论的McMaster算法判别拥堵类型、以便实现交通事件快速响应。本文主要研究内容如下:（1）提出基于出行计划的拥堵预测及拥堵类型判别反馈机制思想。本文将出行计划应用到交通拥堵预测和拥堵类型判别中,提出了一种拥堵预测及拥堵类型判别反馈机制。该反馈机制实时获取出行计划数据,利用数据采集技术获取路网实时交通流数据,从历史数据库中获取交通流历史数据,将速度数据输入RBF神经网络中进行速度预测,从而达到快速路拥堵预测的目的,并将拥堵预测结果存入拥堵数据库中。当到达预测时间点时,将真实拥堵情况与预测情况进行对比,筛选出未预测出的拥堵并将其交通流数据输入基于尖点突变理论的McMaster算法拥堵类型判别模型中。将拥堵类型及时通过无线基站反馈给交管部门和出行用户。若为偶发性交通拥堵,可及时通知交管部门进行突发事件快速处理。若为常发性交通拥堵,可为交管部门采取拥堵疏散手段提供依据,实现基于出行计划的拥堵预测及拥堵快速响应。（2）建立城市快速路拥堵预测模型。针对快速路无信号控制等因素影响这一特点,本文采用预测路段的运行速度来判断未来时刻的路况。模型引入了出行计划机理,从基于出行计划的智慧交通管理系统中得到未来时刻即将汇入路网的车辆数,将出行计划数据和时空数据输入RBF神经网络中,利用蛙跳算法对神经网络中的权值和参数进行优化,输出路段未来时刻的平均行驶速度,并根据速度判断该路段的运行状态。实验结果表明,本文所提出的RBF神经网络预测结果相较于传统方法预测结果准确度大大提高。（3）构建交通拥堵类型判别模型。交通拥堵类型判别模型可判定拥堵的类型即:常发性拥堵、偶发性拥堵。本文论证了交通流系统发生偶发性拥堵时交通流参数变化可用尖点突变理论解释,将尖点突变理论与McMaster算法进行结合,提出基于尖点突变理论的McMaster算法拥堵类型判别模型,通过讨论拥堵数据与分叉集的关系对拥堵类型进行判别。同时将判断结果与传统McMaster算法判别结果进行对比,显示基于尖点突变理论的McMaster算法模型的判别结果准确率更高。本文所提出的基于出行计划的拥堵预测及拥堵类型判别模型对于完善基于出行计划的智慧交通管理系统有着重要作用,弥补了系统对于拥堵预测及拥堵类型判别方面的空白,对提高快速路通行速度预测精度、精准识别拥堵类型、快速响应交通突发事件有着重要作用,同时为交通管理部门采取管控措施提供依据、加快城市可持续发展进程。