出租车轨迹数据可以揭示城市路网交通运行状态以及乘客出行行为的变化情况,统计学理论、机器学习以及深度学习等数据挖掘方法的发展促进了交通领域对出租车GPS数据等交通出行大数据的深入研究,也促进对交通运输系统的运行状态进行精准分析和预测,进而为出行者更高质量的交通出行和科学的交通管理与决策提供了支撑与服务。本文分析挖掘了北京市出租车浮动车数据,以“出租车GPS数据与路网预处理→交通运行状态综合评价指标的构建→交通运行状态分析→交通拥堵模式预测模型的构建→案例分析”为主线,对交通运行状态分析以及预测方法展开研究。本文的主要研究内容如下:（1）以出租车GPS数据为基础,构建了不同道路等级的评价体系,提出了基于直接模糊熵的多指标融合算法。首先,从电子标签/牌照识别、GPS浮动车数据、事故数据以及道路交通传感器四个方面,对基础数据源进行分析,确定了评价指标选取原则与标准;其次,通过分析出租车GPS数据和模糊C均值聚类算法,建立出租车GPS轨迹与交通状态相结合的综合数据模型,为后续研究提供数据支持。据此,根据出租车轨道数量和每条轨道的平均速度,构建了不同等级道路的交通运行状态;然后,在基础评价指标的基础上,利用直接模糊熵构建了不同道路等级的评价体系,确定快速路、主干路和次干路/支路交通状态的综合评价指标。（2）构建了交通拥堵模式差异性计算方法,并从时空角度分析了多层次城市道路交通运行状态。在综合评价指标的基础上,从维度、适用数据类型、绝对数值的敏感度以及研究目标的契合度四方面,确定了交通拥堵模式时空差异性的描述方法;基于欧式距离以及统计学理论方法,立足于时间和空间两个特征,从路段、线路以及路网三个层次评价分析了交通拥堵模式以及交通运行状态,实例验证了综合评价指数用于交通运行状态等级划分和评价的可行性。（3）构建了嵌入时空相关性变量的长短期记忆人工神经网络预测模型。首先,确定了以长短期记忆人工神经网络（Long Short-Term Memory,LSTM）为架构的预测模型;然后结合相关系数以及预测理论从时间、空间以及时空三个角度构建了LSTM模型的输入变量,并给出了相应的阈值判断标准;最后,利用嵌入时间变量的长短期记忆人工神经网络（Temporal-Long Short-Term Memory,T-LSTM）模型、嵌入空间变量的长短期记忆人工神经网络（Spatial-Long Short-Term Memory,S-LSTM）模型以及嵌入时空变量的长短期记忆人工神经网络（Temporal–Spatial Long Short-Term Memory,TS-LSTM）模型分别对不同路段展开综合评价指标预测研究,分析时间、空间以及时空关系对预测精度的影响,并将TS-LSTM模型的预测结果与传统机器学习模型支持向量机（Support Vector Machine,SVM）以及基础深度学习模型LSTM进行了对比分析。预测结果表明,TS-LSTM模型结合了统计方法以及深度学习的优势,具有更好的预测性能,适用于交通拥堵模式的预测。